ivdon3@bk.ru
Сверхразрешение изображений – это популярная задача, цель которой состоит в переводе изображений из низкого разрешения в высокое. Для этой задачи часто используются свёрточные сети. Свёрточные нейронные сети имеют большое преимущество в обработке изображений. Но, несмотря на это, часто информация может теряться при обработке, а увеличение глубины и ширины сети может усложнить дальнейшую работу. Для решения этой проблемы используется преобразование данных в частотную область. В данной работе изображение делится на высокочастотные и низкочастотные участки, где больший приоритет дается первым. Затем, при помощи проверки качеств и визуальной оценки, проведен анализ метода и вывод относительно работы алгоритма.
Ключевые слова: сверхразрешение (СР), низкое разрешение (НР), высокое разрешение (ВР), дискретно-косинусное преобразование, сверточные-нейронные сети
В данной работе рассматривается проблема удаления шумов из изображения на основе алгоритма дискретно-косинусного преобразования (ДКП). Несмотря на свою простоту, алгоритм до сих пор пользуется популярностью в преобразовании изображений. Тем не менее с недавних пор идет сильное развитие сверточных нейронных сетей, оставляя позади «традиционные» методы обработки сигналов. В данной работе исследуется шумоподавление изображений при помощи ДКП и сверточных нейронных сетей и создание интерпретируемой сверточной нейронной сети для получения точных данных. За основу был взят язык программирования Python и библиотека для работы с нейронными сетями – PyTorch. Исходя из этого, модель нейронной сети была обучена на наборе данных «The Berkeley Segmentation Dataset». Эксперименты показали, что обученная нейронная сеть показывает результаты, сопоставимые с традиционными алгоритмами шумоподавления изображений.
Ключевые слова: шумоподавление, сверточная нейронная сеть, дискретно-косинусное преобразование, машинное обучение, обработка сигналов, оператор Кэнни