Image restoration with neural networks
Autor(a) principal: | |
---|---|
Data de Publicação: | 2023 |
Tipo de documento: | Trabalho de conclusão de curso |
Idioma: | eng |
Título da fonte: | Repositório Institucional da UFRGS |
Texto Completo: | http://hdl.handle.net/10183/271387 |
Resumo: | Este trabalho de graduação condensa um estudo de 8 meses sobre o processo de restauração de imagens utilizando técnicas de aprendizagem profunda: um campo em rápido crescimento com muitas aplicações no mundo real. O trabalho inclui uma discussão sobre a área de restauração de imagens, uma revisão de 26 bases de dados utilizadas para teste e treinamento de modelos e um estudo compreendendo 5 tarefas de restauração de imagens: remoção de borramento, super resolução, restauração não cega, restauração de rostos e restauração de vídeos. Para cada tarefa, 2 métodos que utilizam redes neurais são descritos e comparados. Além disso, esta teste discute 3 técnicas experimentais de restauração de imagens que elaboramos, especificamente: Gradient Descent Deconvolution (GDDec) para remoção não cega de borramento, Super-Resolution Residual U-Net (SRRUNet) para super-resolução, e Our Non-Blind para restauração não cega. Finalmente, esta tese fornece várias direções de pesquisa que contemplam cada método discutido. |
id |
UFRGS-2_00b6eecd1c44cf1b2f2c629450af5a35 |
---|---|
oai_identifier_str |
oai:www.lume.ufrgs.br:10183/271387 |
network_acronym_str |
UFRGS-2 |
network_name_str |
Repositório Institucional da UFRGS |
repository_id_str |
|
spelling |
Rahoo, Suryalall dos SantosOliveira Neto, Manuel Menezes de2024-02-02T05:06:49Z2023http://hdl.handle.net/10183/271387001172286Este trabalho de graduação condensa um estudo de 8 meses sobre o processo de restauração de imagens utilizando técnicas de aprendizagem profunda: um campo em rápido crescimento com muitas aplicações no mundo real. O trabalho inclui uma discussão sobre a área de restauração de imagens, uma revisão de 26 bases de dados utilizadas para teste e treinamento de modelos e um estudo compreendendo 5 tarefas de restauração de imagens: remoção de borramento, super resolução, restauração não cega, restauração de rostos e restauração de vídeos. Para cada tarefa, 2 métodos que utilizam redes neurais são descritos e comparados. Além disso, esta teste discute 3 técnicas experimentais de restauração de imagens que elaboramos, especificamente: Gradient Descent Deconvolution (GDDec) para remoção não cega de borramento, Super-Resolution Residual U-Net (SRRUNet) para super-resolução, e Our Non-Blind para restauração não cega. Finalmente, esta tese fornece várias direções de pesquisa que contemplam cada método discutido.This undergraduate thesis condenses an 8 month-long study on deep image restoration which is a fast-growing field with many real-world applications. It includes a discussion on traditional image restoration, a review of 26 datasets, and a survey comprising 5 different image restoration tasks, i.e., deblurring, super-resolution, non-blind restoration, face-restoration, and video restoration. For each task, 2 neural network-based methods are described and compared. Moreover, this thesis discusses 3 experimental image restoration techniques which we have developed, specifically: Gradient Descent Deconvolution (GDDec) for non-blind deblurring, Super-Resolution Residual U-Net (SRRUNet) for super-resolution, and Our Non-Blind which is a non-blind framework. Finally, this thesis provides various research directions which contemplate each method discussed.application/pdfengImagemAprendizado profundoRede neural artificialImage restorationSurveyImage restoration with neural networksRestauração de imagens utilizando redes neurais info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/bachelorThesisUniversidade Federal do Rio Grande do SulInstituto de InformáticaPorto Alegre, BR-RS2023Ciência da Computação: Ênfase em Ciência da Computação: Bachareladograduaçãoinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UFRGSinstname:Universidade Federal do Rio Grande do Sul (UFRGS)instacron:UFRGSTEXT001172286.pdf.txt001172286.pdf.txtExtracted Texttext/plain97752http://www.lume.ufrgs.br/bitstream/10183/271387/2/001172286.pdf.txt348dc04ff42af064129eb8f27be767c9MD52ORIGINAL001172286.pdfTexto completo (inglês)application/pdf8143867http://www.lume.ufrgs.br/bitstream/10183/271387/1/001172286.pdf00a8167a860d0c00eed66e2dc2e3f0fdMD5110183/2713872024-02-03 06:07:31.177508oai:www.lume.ufrgs.br:10183/271387Repositório de PublicaçõesPUBhttps://lume.ufrgs.br/oai/requestopendoar:2024-02-03T08:07:31Repositório Institucional da UFRGS - Universidade Federal do Rio Grande do Sul (UFRGS)false |
dc.title.pt_BR.fl_str_mv |
Image restoration with neural networks |
dc.title.alternative.pt.fl_str_mv |
Restauração de imagens utilizando redes neurais |
title |
Image restoration with neural networks |
spellingShingle |
Image restoration with neural networks Rahoo, Suryalall dos Santos Imagem Aprendizado profundo Rede neural artificial Image restoration Survey |
title_short |
Image restoration with neural networks |
title_full |
Image restoration with neural networks |
title_fullStr |
Image restoration with neural networks |
title_full_unstemmed |
Image restoration with neural networks |
title_sort |
Image restoration with neural networks |
author |
Rahoo, Suryalall dos Santos |
author_facet |
Rahoo, Suryalall dos Santos |
author_role |
author |
dc.contributor.author.fl_str_mv |
Rahoo, Suryalall dos Santos |
dc.contributor.advisor1.fl_str_mv |
Oliveira Neto, Manuel Menezes de |
contributor_str_mv |
Oliveira Neto, Manuel Menezes de |
dc.subject.por.fl_str_mv |
Imagem Aprendizado profundo Rede neural artificial |
topic |
Imagem Aprendizado profundo Rede neural artificial Image restoration Survey |
dc.subject.eng.fl_str_mv |
Image restoration Survey |
description |
Este trabalho de graduação condensa um estudo de 8 meses sobre o processo de restauração de imagens utilizando técnicas de aprendizagem profunda: um campo em rápido crescimento com muitas aplicações no mundo real. O trabalho inclui uma discussão sobre a área de restauração de imagens, uma revisão de 26 bases de dados utilizadas para teste e treinamento de modelos e um estudo compreendendo 5 tarefas de restauração de imagens: remoção de borramento, super resolução, restauração não cega, restauração de rostos e restauração de vídeos. Para cada tarefa, 2 métodos que utilizam redes neurais são descritos e comparados. Além disso, esta teste discute 3 técnicas experimentais de restauração de imagens que elaboramos, especificamente: Gradient Descent Deconvolution (GDDec) para remoção não cega de borramento, Super-Resolution Residual U-Net (SRRUNet) para super-resolução, e Our Non-Blind para restauração não cega. Finalmente, esta tese fornece várias direções de pesquisa que contemplam cada método discutido. |
publishDate |
2023 |
dc.date.issued.fl_str_mv |
2023 |
dc.date.accessioned.fl_str_mv |
2024-02-02T05:06:49Z |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/bachelorThesis |
format |
bachelorThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
http://hdl.handle.net/10183/271387 |
dc.identifier.nrb.pt_BR.fl_str_mv |
001172286 |
url |
http://hdl.handle.net/10183/271387 |
identifier_str_mv |
001172286 |
dc.language.iso.fl_str_mv |
eng |
language |
eng |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
application/pdf |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UFRGS instname:Universidade Federal do Rio Grande do Sul (UFRGS) instacron:UFRGS |
instname_str |
Universidade Federal do Rio Grande do Sul (UFRGS) |
instacron_str |
UFRGS |
institution |
UFRGS |
reponame_str |
Repositório Institucional da UFRGS |
collection |
Repositório Institucional da UFRGS |
bitstream.url.fl_str_mv |
http://www.lume.ufrgs.br/bitstream/10183/271387/2/001172286.pdf.txt http://www.lume.ufrgs.br/bitstream/10183/271387/1/001172286.pdf |
bitstream.checksum.fl_str_mv |
348dc04ff42af064129eb8f27be767c9 00a8167a860d0c00eed66e2dc2e3f0fd |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UFRGS - Universidade Federal do Rio Grande do Sul (UFRGS) |
repository.mail.fl_str_mv |
|
_version_ |
1801224674161459200 |