DOI 10.28925/2663-4023.2024.24.388397
https://csecurity.kubg.edu.ua/index.php/journal/article/view/634/497
Відновлення зображень є однією з ключових задач комп’ютерного зору та цифрової обробки сигналів. Основною метою відновлення є покращення якості зображення шляхом усунення шумів, розмиття, втрати деталей або інших спотворень, що виникають під час передавання, збереження чи отримання зображень. З розвитком технологій штучного інтелекту особливого поширення набули методи, засновані на згорткових нейронних мережах, які дозволяють автоматично виділяти складні ознаки та забезпечувати високу точність реконструкції зображень.
Традиційні методи відновлення зображень, такі як фільтрація, інтерполяція або варіаційні підходи, мають обмеження при роботі з великими обсягами даних та складними типами спотворень. Крім того, вони часто призводять до втрати дрібних деталей або появи артефактів. У зв’язку з цим виникає необхідність розроблення нових підходів, здатних адаптуватися до різних типів пошкоджень та забезпечувати високу якість відновлених зображень.
Для вирішення даної проблеми було розроблено метод підвищення ефективності відновлення зображень на основі модифікованої згорткової нейронної мережі. Запропонований підхід використовує багатошарову архітектуру згорткової мережі з удосконаленими механізмами виділення ознак та адаптивного налаштування вагових коефіцієнтів. Для підвищення точності реконструкції застосовувалися залишкові блоки та механізми attention, що дозволяють мережі концентруватися на найбільш важливих фрагментах зображення.
У процесі навчання мережі використовувалися методи аугментації даних та оптимізаційний алгоритм Adam, який забезпечує швидку збіжність моделі та стабільність навчання. Для оцінювання якості відновлення застосовувалися метрики PSNR та SSIM, які дозволяють визначати ступінь подібності між оригінальним і відновленим зображенням. Результати експериментів показали, що запропонована модель забезпечує кращу якість відновлення порівняно з класичними згортковими мережами та традиційними алгоритмами обробки зображень.
Розроблений програмний модуль може бути використаний у системах медичної діагностики, відеоспостереження, супутникового моніторингу та інших сферах, де важливим є отримання якісного цифрового зображення в умовах наявності шумів або втрати інформації.
Порівняння результатів роботи моделей при рівні шуму 95%.
(а) -оригінальне зображення з оригінальною моделлю,
(б) – оригінальне зображення з модифікованою моделлю