Defesa de Mestrado de Eldrey Seolin Galindo

Título do Trabalho
Image Super-Resolution Improved by Edge Information Using Residual Neural Networks
Candidato(a)
Eldrey Seolin Galindo
Nível
Mestrado
Data
Add to Calender 2019-12-13 00:00:00 2019-12-13 00:00:00 Defesa de Mestrado de Eldrey Seolin Galindo Image Super-Resolution Improved by Edge Information Using Residual Neural Networks Auditório 2 do IC 3 INSTITUTO DE COMPUTAÇÃO mauroesc@ic.unicamp.br America/Sao_Paulo public
Horário
13:30
Local
Auditório 2 do IC 3
Orientador(a)
Hélio Pedrini
Banca Examinadora

 

* Titulares

Unidade/Instituição

Hélio Pedrini

IC/UNICAMP

Rodrigo Minetto

DAINF/UTFPR

Esther Luna Colombini

IC/UNICAMP

 

* Suplentes

Unidade/Instituição

Gerberth Adín Ramírez Rivera

IC/UNICAMP

Ricardo Dutra da Silva

DAINF/UTFPR

 

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.