13 dez 2019
13:30 Auditório 2
Tema
Image Super-Resolution Improved by Edge Information Using Residual Neural Networks
Aluno
Eldrey Seolin Galindo
Orientador / Docente
Hélio Pedrini
Breve resumo
Assim como em outros domínios do conhecimento, as técnicas de aprendizado profundo revolucionaram o desenvolvimento de abordagens para a super-resolução de imagens. Algoritmos recentes para solucionar este problema têm empregado redes neurais convolucionais em arquiteturas residuais com várias camadas e funções gerais de perda. Essas estruturas (arquiteturas e funções de perda) são genéricas e não abordam as principais características de uma imagem para a percepção visual humana (luminância, contraste e estrutura), resultando em melhores imagens, no entanto, com ruído principalmente em suas bordas. Neste trabalho, apresentamos e avaliamos um método, denominado super-resolução de imagens refinada com informação de bordas (Edge Enhanced Super-Resolution - EESR) usando uma nova rede neural residual com foco nas bordas da imagem e uma combinação de funções de perda: Peak Signal-to-Noise Ratio - (PSNR), L1, Multiple-Scale Structural Similarity (MS-SSIM) e uma nova função baseada na técnica Pencil Sketch . Como principal contribuição do trabalho, o modelo proposto visa alavancar os limites da super-resolução de imagens, apresentando uma melhoria dos resultados em termos da métrica MS-SSIM e alcançando resultados promissores para a métrica PSNR. Os resultados experimentais obtidos mostram que o modelo desenvolvido é competitivo quando comparado com o estado da arte para os quatro conjuntos de dados (Set05, Set14, B100, Urban100) avaliados para super-resolução de imagens.