Розробка програмного забезпечення для покращення якості зображень з використанням нейронних мереж

Abstract

Дана кваліфікаційна робота націлена на дослідження, розробку та реалізацію програмного забезпечення, заснованого на генеративно-змагальних мережах (GAN), для підвищення якості зображень. Метою є створення ефективного алгоритму покращення роздільної здатності зображень з використанням передових методів глибокого навчання, а також практичне впровадження даної системи в рамках комп'ютерного зору. Проведено ретельне дослідженням структури нейронних мереж, їх формування та розвитку в контексті підвищення якості зображень. Також проведено теоретичний аналіз комп'ютерного зору та огляд переваг використання фреймворку PyTorch. Проведено огляд принципів роботи згорткових мереж (CNN), математична модель генеративно-змагальної мережі (GAN), а також методи вирахування похибки. Особливу увагу приділено функцій генератора та дискримінатора. Представлено практичну реалізацію програмного забезпечення для покращення якості зображень з використанням генеративно-змагальних мереж. Розглянуто бібліотеки, вибрано набір даних, описано класи генератора та дискримінатора, а також наведено функцію навчання моделі. Розроблено інтерфейс програмного забезпечення із прикладами використання.

This master's thesis is aimed at the research, development and implementation of software based on generative adversarial networks (GAN) to improve the quality of images. The goal is to create an effective algorithm for improving the resolution of images using advanced deep learning methods, as well as practical implementation of this system in the framework of computer vision. A thorough study of the structure of neural networks, their formation and development in the context of image quality improvement was carried out. A theoretical analysis of computer vision and an overview of the advantages of using the PyTorch framework were also carried out. An overview of the principles of convolutional networks (CNN), the mathematical model of a generative-competitive network (GAN), as well as error calculation methods was conducted. Special attention is paid to the generator and discriminator functions. The practical implementation of software for improving the quality of images using generative-competitive networks is presented. The libraries are reviewed, the dataset is selected, the generator and discriminator classes are described, and the model training function is given. A software interface with examples of use has been developed.