Zvýšení rozlišení obrazu pomocí hlubokých neuronových sítí
Loading...
Date
Authors
ORCID
Advisor
Referee
Mark
A
Journal Title
Journal ISSN
Volume Title
Publisher
Vysoké učení technické v Brně. Fakulta informačních technologií
Abstract
Cieľom tejto práce je vytvoriť hlbokú neurónovú sieť schopnú zvýšiť rozlíšenie obrazov získaných elektrónovými mikroskopmi. Jedná sa o úlohu zväčšenia rozlíšenia na základe jedného obrázku. Skladá sa z dvoch častí - nájdenie vhodných dát a vytvorenie dátovej sady pre danú úlohu a návrh architektúry neurónovej siete, ktorá je schopná riešiť úlohu zvýšenia rozlíšenia obrazu. V práci vznikli dve dátové sady pozostávajúce z obrázkov pochádzajúcich z elektrónových mikroskopov. Dátové sady majú rôzny prístup k augmentácii dáta. Je vďaka nim možné natrénovať neurónové siete pre úlohu zvýšenia rozlíšenia obrazu. Pri riešení boli otestované dve architektúry typu U-Net a jedna typu GAN. Rozlíšenie bolo zvyšované dvakrát a štyrikrát. Najlepšie umelo zväčšené obrázky z testovaných architektúr vytvára sieť Real-ESRGAN. V hodnotách metrík nie je lepšia ako testovaná interpolačná metóda, obrázky však často pôsobia kvalitnejšie, najmä pri zvýšení rozlíšenia štyrikrát. Vďaka tejto práci bola vytvorená dátová sada, na ktorej je možné trénovať ďalšie architektúry a zlepšovať tak kvalitu výsledných obrázkov. Neurónové siete z tejto práce je možné použiť pri získavaní kvalitnejších dát z elektrónového mikroskopu pri nízkom rozlíšení.
The aim of this thesis is to create a deep neural net capable of super-resolution on images acquired by electron microscopes. The thesis consists of two parts - finding appropriate data and creating a dataset for the super-resolution task and designing a neural net architecture capable of solving the super-resolution task. Within the thesis, two datasets comprised of images acquired by electron microscopes were created. The datasets differ in the approach to data augmentation. They allow to train a neural network which fulfills the super-resolution task. To solve this task, two U-Net based and one GAN based architecture were trained. The resolution of images was upscaled by a factor of two and four. The best artificially upscaled images were created by neural network Real-ESRGAN. The values of metrics were not higher than the tested interpolation method, but the images seem more visually pleasing especially when they were upscaled four times. Thanks to this thesis, two datasets were created allowing to train other possible neural network architectures to improve the quality of the artificially upscaled images. The neural networks trained in this thesis can be utilized in the process of acquiring higher quality data from low resolution electron microscope images.
The aim of this thesis is to create a deep neural net capable of super-resolution on images acquired by electron microscopes. The thesis consists of two parts - finding appropriate data and creating a dataset for the super-resolution task and designing a neural net architecture capable of solving the super-resolution task. Within the thesis, two datasets comprised of images acquired by electron microscopes were created. The datasets differ in the approach to data augmentation. They allow to train a neural network which fulfills the super-resolution task. To solve this task, two U-Net based and one GAN based architecture were trained. The resolution of images was upscaled by a factor of two and four. The best artificially upscaled images were created by neural network Real-ESRGAN. The values of metrics were not higher than the tested interpolation method, but the images seem more visually pleasing especially when they were upscaled four times. Thanks to this thesis, two datasets were created allowing to train other possible neural network architectures to improve the quality of the artificially upscaled images. The neural networks trained in this thesis can be utilized in the process of acquiring higher quality data from low resolution electron microscope images.
Description
Keywords
hlboká neurónová sieť, konvolučná neurónová sieť, hlboké učenie, počítačové videnie, zvýšenie rozlíšenia obrazu, elektrónová mikroskopia, gan, unet, dátová sada, deep neural network, convolutional neural network, deep learning, computer vision, super-resolution, electron microscopy, gan, unet, dataset
Citation
MOJŽIŠ, T. Zvýšení rozlišení obrazu pomocí hlubokých neuronových sítí [online]. Brno: Vysoké učení technické v Brně. Fakulta informačních technologií. 2022.
Document type
Document version
Date of access to the full text
Language of document
sk
Study field
Inteligentní systémy
Comittee
doc. Ing. František Zbořil, CSc. (předseda)
doc. RNDr. Pavel Smrž, Ph.D. (místopředseda)
Ing. Michal Bidlo, Ph.D. (člen)
doc. Ing. Vladimír Janoušek, Ph.D. (člen)
Ing. Ondřej Kanich, Ph.D. (člen)
Dr. Ing. Petr Peringer (člen)
Date of acceptance
2022-06-20
Defence
Student nejprve prezentoval výsledky, kterých dosáhl v rámci své práce. Komise se poté seznámila s hodnocením vedoucího a posudkem oponenta práce. Student následně odpověděl na otázky oponenta a na další otázky přítomných. Komise se na základě posudku oponenta, hodnocení vedoucího, přednesené prezentace a odpovědí studenta na položené otázky rozhodla práci hodnotit stupněm A. Otázky u obhajoby: Pokud byste chtěl využít i objektivního hodnocení kvality rekonstruovaných obrazů, jaké jsou možnosti a jak byste postupoval? Jaké konkrétní zlepšení přinese využití reálných dat při trénování? Jak zlepší práci operátora zakomponování super-samplingu do procesu pořizování obrazů elektronovým mikroskopem? Budou vaše modely fungovat s jiným mikroskopem? Jak jste postupoval při návrhu modelů? Co by se stalo, kdyby byl na vstupu jiný typ obrázku? Budou vaše výsledky někde publikovány?
Result of defence
práce byla úspěšně obhájena
Document licence
Standardní licenční smlouva - přístup k plnému textu bez omezení