Image restoration with neural networks

Detalhes bibliográficos
Autor(a) principal: Rahoo, Suryalall dos Santos
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

Registros relacionados