Hlboké učenie na obnovu obrazu/videa a superrozlíšenie

Pôvodný názov:

Deep Learning for Image/Video Restoration and Super-resolution

Obsah knihy:

V tejto monografii sa uvádza prehľad najnovšieho vývoja a súčasného stavu v oblasti obnovy obrazu/videa a superrozlíšenia (SR) pomocou hlbokého učenia. Hlboké učenie má významný vplyv nielen na počítačové videnie a spracovanie prirodzeného jazyka, ale aj na klasické problémy spracovania signálov, ako je obnovenie obrazu/videa/SR a kompresia. Nedávny pokrok v neurónových architektúrach viedol k výraznému zlepšeniu výkonu naučenej obnovy obrazu/videa a SR. Dôležitou výhodou prístupov hlbokého učenia založených na údajoch je, že neurónové modely možno optimalizovať pre akúkoľvek diferencovateľnú stratovú funkciu vrátane vizuálnych percepčných stratových funkcií, čo vedie k percepčnej obnove videa a SR, ktorú tradičné prístupy založené na modeloch nedokážu jednoducho zvládnuť.

Publikácia sa začína uvedením problému a krátkou diskusiou o tradičných riešeniach v porovnaní s riešeniami založenými na údajoch. Následne sa uvažuje o najnovších pokrokoch v neurónových architektúrach a diskutuje sa o stratových funkciách a hodnotiacich kritériách pre obnovu obrazu/videa a SR. Uvažuje sa aj o naučenej obnove obrazu a SR ako o učení buď mapovania z priestoru degradovaných obrazov na ideálne obrazy na základe univerzálnej aproximačnej vety, alebo generatívneho modelu, ktorý zachytáva pravdepodobnostné rozdelenie ideálnych obrazov. Zahrnuté sú aj praktické problémy pri aplikácii tréningu pod dohľadom na reálne obnovovanie a SR, ako aj modely riešenia.

V časti o naučenom SR videa sú zahrnuté prístupy na využitie časových korelácií pri spracovaní naučeného videa a potom sa rozoberá percepčná optimalizácia parametrov siete na získanie prirodzenej textúry a pohybu. Publikáciu uzatvára porovnávacia diskusia rôznych prístupov.