Порівняльний аналіз алгоритмів суперроздільної здатності для стиснення зображень

Автор(и)

  • Олена Андріївна Бучко Національний університет «Києво-Могилянська академія», Україна https://orcid.org/0009-0006-4190-5895
  • Сан Бинь Ванович Нгуєн Національний університет «Києво-Могилянська академія», Україна https://orcid.org/0000-0001-9991-140X

DOI:

https://doi.org/10.18523/2617-3808.2023.6.24-29

Ключові слова:

стиснення зображень, суперроздільна здатність, нейронні мережі, комп’ютерний зір

Анотація

У статті розглянуто підхід до стиснення зображень, який передбачає використання методів суперроздільної здатності. Запропонований підхід має потенціал підвищити візуальну якість відтворення зображень і забезпечити ефективніший результат стиснення порівняно з традиційними методами стиснення. Наведено експериментальну оцінку запропонованого алгоритму на основі FSRCNN, EDSR, Real-ESRGAN мереж суперроздільної здатності з використанням кількісних та якісних показників.

Біографії авторів

Олена Андріївна Бучко, Національний університет «Києво-Могилянська академія»

Ph.D. технічних наук, доцент факультету інформатики Національного університету «Києво-Могилянська академія», olena.buchko@ukma.edu.ua

Сан Бинь Ванович Нгуєн, Національний університет «Києво-Могилянська академія»

Студент Ph.D. програми «Інженерія програмного забезпечення» факультету інформатики Національного університету «Києво-Могилянська академія», nguen.sun@ukma.edu.ua

Посилання

  1. Choi, J.-S., & Kim, M. (2017). A Deep Convolutional Neural Network with Selection Units for Super-Resolution. In 2017 IEEE Conference on Computer Vision and Pattern Recognition Workshops (CVPRW). IEEE. https://doi.org/10.1109/cvprw.2017.153.
  2. Dahl, R., Norouzi, M., & Shlens, J. (2017). Pixel Recursive Super Resolution. In 2017 IEEE International Conference on Computer Vision (ICCV). IEEE. https://doi.org/10.1109/iccv.2017.581.
  3. DIV2K Dataset. (n.d.). https://data.vision.ee.ethz.ch/cvl/DIV2K/.
  4. Dong, C., Loy, C. C., He, K., & Tang, X. (2016). Image Super-Resolution Using Deep Convolutional Networks. IEEE Transactions on Pattern Analysis and Machine Intelligence, 38 (2), 295–307. https://doi.org/10.1109/tpami.2015.2439281.
  5. Dong, C., Loy, C. C., & Tang, X. (2016). Accelerating the Super-Resolution Convolutional Neural Network. In Computer Vision – ECCV 2016 (pp. 391–407). Springer International Publishing. https://doi.org/10.1007/978-3-319-46475-6_25.
  6. Goodfellow, I., Pouget-Abadie, J., Mirza, M., Xu, B., Warde-Farley, D., Ozair, S., Courville, A., & Bengio, Y. (2020). Generative adversarial networks. Communications of the ACM, 63 (11), 139–144. https://doi.org/10.1145/3422622.
  7. Hore, A., & Ziou, D. (2010). Image Quality Metrics: PSNR vs. SSIM. In 2010 20th International Conference on Pattern Recognition (ICPR). IEEE. https://doi.org/10.1109/icpr.2010.579.
  8. Keles, O., Yilmaz, M. A., Tekalp, A. M., Korkmaz, C., & Dogan, Z. (2021). On the Computation of PSNR for a Set of Images or Video. In 2021 Picture Coding Symposium (PCS). IEEE. https://doi.org/10.1109/pcs50896.2021.9477470.
  9. Kim, J., Lee, J. K., & Lee, K. M. (2016). Accurate Image Super-Resolution Using Very Deep Convolutional Networks. In 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). IEEE. https://doi.org/10.1109/cvpr.2016.182.
  10. Ledig, C., Theis, L., Huszar, F., Caballero, J., Cunningham, A., Acosta, A., Aitken, A., Tejani, A., Totz, J., Wang, Z., & Shi, W. (2017). Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network. In 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). IEEE. https://doi.org/10.1109/cvpr.2017.19.
  11. Lim, B., Son, S., Kim, H., Nah, S., & Lee, K. M. (2017). Enhanced Deep Residual Networks for Single Image Super-Resolution. In 2017 IEEE Conference on Computer Vision and Pattern Recognition Workshops (CVPRW). IEEE. https://doi.org/10.1109/cvprw.2017.151.
  12. Obukhov, A., & Krasnyanskiy, M. (2020). Quality Assessment Method for GAN Based on Modified Metrics Inception Score and Fréchet Inception Distance. In Software Engineering Perspectives in Intelligent Systems (pp. 102–114). Springer International Publishing. https://doi.org/10.1007/978-3-030-63322-6_8
  13. Sajjadi, M. S. M., Scholkopf, B., & Hirsch, M. (2017). EnhanceNet: Single Image Super-Resolution Through Automated Texture Synthesis. In 2017 IEEE International Conference on Computer Vision (ICCV). IEEE. https://doi.org/10.1109/iccv.2017.481.
  14. Shi, W., Caballero, J., Huszar, F., Totz, J., Aitken, A. P., Bishop, R., Rueckert, D., & Wang, Z. (2016). Real-Time Single Image and Video Super-Resolution Using an Efficient Sub-Pixel Convolutional Neural Network. In 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). IEEE. https://doi.org/10.1109/cvpr.2016.207.
  15. Streijl, R. C., Winkler, S., & Hands, D. S. (2014). Mean opinion score (MOS) revisited: methods and applications, limitations and alternatives. Multimedia Systems, 22 (2), 213–227. https://doi.org/10.1007/s00530-014-0446-1.
  16. Sullivan, G. J., Ohm, J.-R., Han, W.-J., & Wiegand, T. (2012). Overview of the High Efficiency Video Coding (HEVC) Standard. IEEE Transactions on Circuits and Systems for Video Technology, 22 (12), 1649–1668. https://doi.org/10.1109/tcsvt.2012.2221191.
  17. Tai, Y., Yang, J., & Liu, X. (2017). Image Super-Resolution via Deep Recursive Residual Network. In 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). IEEE. https://doi.org/10.1109/cvpr.2017.298.
  18. Wallace, G. K. (1992). The JPEG still picture compression standard. IEEE Transactions on Consumer Electronics, 38 (1), xviii–xxxiv. https://doi.org/10.1109/30.125072.
  19. Wang, X., Yu, K., Wu, S., Gu, J., Liu, Y., Dong, C., Qiao, Y., & Loy, C. C. (2019). ESRGAN: Enhanced Super-Resolution Generative Adversarial Networks. In Lecture Notes in Computer Science (pp. 63–79). Springer International Publishing. https://doi.org/10.1007/978-3-030-11021-5_5.
  20. Zhang, Y., Li, K., Li, K., Wang, L., Zhong, B., & Fu, Y. (2018). Image Super-Resolution Using Very Deep Residual Channel Attention Networks. In Computer Vision – ECCV 2018 (pp. 294–310). Springer International Publishing. https://doi.org/10.1007/978-3-030-01234-2_18.

##submission.downloads##

Опубліковано

2024-03-24

Як цитувати

[1]
О. А. Бучко і С. Б. В. Нгуєн, «Порівняльний аналіз алгоритмів суперроздільної здатності для стиснення зображень», NRPCOMP, т. 6, с. 24–29, Бер 2024.

Номер

Том 6 (2023): Наукові записки НаУКМА. Комп’ютерні науки

Розділ

Статті

Ліцензія

Авторське право (c) 2023 O. Buchko, S. B. Nhuien

Creative Commons License

Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.

Автори, які публікуються у цьому журналі, погоджуються з такими умовами:

а) Автори зберігають за собою авторські права на твір на умовах ліцензії CC BY 4.0 Creative Commons Attribution International License, котра дозволяє іншим особам вільно поширювати (копіювати і розповсюджувати матеріал у будь-якому вигляді чи форматі) та змінювати (міксувати, трансформувати, і брати матеріал за основу для будь-яких цілей, навіть комерційних) опублікований твір на умовах зазначення авторства.

б) Журнал дозволяє автору (авторам) зберігати авторські права без обмежень.

в) Автори мають право укладати самостійні додаткові угоди щодо поширення твору (наприклад, розміщувати роботу в електронному репозитарії), за умови збереження посилання на його першу публікацію. (Див. Політика Самоархівування)

г) Політика журналу дозволяє розміщення авторами в мережі Інтернет (наприклад, у репозитаріях) тексту статті, як до подання його до редакції, так і під час його редакційного опрацювання, оскільки це сприяє виникненню продуктивної наукової дискусії та позитивно позначається на оперативності та динаміці цитування опублікованої роботи (див. The Effect of Open Access).