Pós-Graduação em Ciência da Computação – UFPE
Defesa de Dissertação de Mestrado Nº  2.033

Aluno: Kevin Ian Ruiz Vargas
Orientador: Prof. Tsang Ing Ren
Título: UR-SRGAN: A Generative Adversarial Network for Real-world 
Super-resolution with a U-Net-based Discriminator
Data: 08/08/2022
Hora/Local: 9h – Virtual – Interessados em assistir entrar em contato com o aluno)
Banca Examinadora:
Prof. George Darmiton da Cunha Cavalcanti (UFPE / Centro de Informática)
Prof. Ing Jyh Tsang  (IDLab – University of Antwerp / Ciência da Computação)
Prof. Tsang Ing Ren  (UFPE / Centro de Informática)


RESUMO:

Apesar de várias melhorias nas técnicas de aprendizado profundo de super-resolução, esses métodos propostos tendem a falhar em muitos cenários do mundo real, pois seus modelos geralmente são treinados usando um processo de degradação predefinido de imagens de verdade de alta resolução (HR) para baixa resolução (LR). Neste trabalho, propomos um modelo supervisionado de Generative Adversarial Network (GAN) para Super-Resolução (SR) de Imagem que tem como primeira etapa estimar kernels de blur e estimativa de ruído de imagens do mundo real para gerar imagens LR para a fase de treinamento. Além disso, a proposta inclui a implementação de um novo discriminador baseado em U-Net, para considerar o contexto global e local de uma imagem de entrada, e permite empregar um aumento de dados CutMix para regularização de consistência no espaço de saída bidimensional do decodificador. O modelo proposto foi aplicado a três conjuntos de dados principais que são normalmente usados em competições oficiais de super-resolução. As métricas de avaliação comumente usadas para restauração de imagem PSNR, SSIM e LPIPS foram usadas para esta avaliação. Após a implementação desta nova arquitetura, três outros modelos de destaque nas propostas GAN de super-resolução de última geração foram treinados com os mesmos parâmetros e bancos de dados para realizar uma comparação global entre todos eles. Por fim, os resultados da experimentação em tarefas de treinamento e avaliação entre todos os modelos sugerem uma melhora no desempenho do trabalho apresentado em relação às demais arquiteturas baseadas nas métricas estabelecidas.


Palavras-chave: Image Super-resolution, Deep Learning, Loss Functions, 
Degradation Modeling, Real-world Super-resolution

Comentários desativados