Show simple item record

Využití generativních modelů neuronových sítí v obrazové rekonstrukci
dc.contributor.advisorŠorel, Michal
dc.creatorHonzátko, David
dc.date.accessioned2018-02-19T10:56:31Z
dc.date.available2018-02-19T10:56:31Z
dc.date.issued2018
dc.identifier.urihttp://hdl.handle.net/20.500.11956/94721
dc.description.abstractRecent research in generative models came up with a promising approach to modelling the prior proba- bility of natural images. The architecture of these prior models is based on deep neural networks. Although these priors were primarily designed for generating new natural-like images, its potential use is much broader. One of the possible applications is to use these models for solving the inverse problems in low-level vision (i.e., image reconstruction). This usage is mainly possible because the architecture of these models allows computing the derivative of the prior probability with respect to the input image. The main objective of this thesis is to evaluate the usage of these prior models in image reconstruction. This thesis proposes a novel model-based optimization method to two image reconstruction problems - image denoising and single-image super-resolution (SISR). The proposed method uses optimization algorithms for finding the maximum-a- posteriori probability, which is defined using the above mentioned prior models. The experimental results demonstrate that the proposed approach achieves reconstruction performance competitive with the current state-of-the-art methods, especially regarding SISR.en_US
dc.description.abstractNedávný výzkum v oblasti generování přirozeně vypadajících obrázků přišel se slibným přístupem k modelování apriorní parvděpodobnosti těchto obrázků. Architektura těchto apriorních modelů je založena na hlubokých neuronových sítích. Přestože jsou tyto modely primárně určeny pro generování obrázků, jejich potencionální využití je mnohem širší. Jednou z případných aplikací je využití těchto modelů pro řešení inverzních problémů v nízkoúrovňovém počítačovém vidění, tedy pro rekonstrukci obrazu. Toto využití umožňuje zejména fakt, že architektura těchto modelů umožňuje spočítat derivaci apriorní pravděpodobnosti vzhledem k vstupnímu obrázku. Hlavním cílem této práce je zhodnotit možnosti využití těchto apriorních modelů v rekonstrukci obrazu. Tato práce navrhuje novou, na optimalizaci založenou, metodu pro řešení dvou rekonstrukčních problémů: odšumování obrazu a super-rezoluce, kde vstupem je pouze jediný obrázek. Na- vrhovaná metoda využívá optimalizační algoritmy pro hledání nejvyšší aposteriorní pravděpodobnosti. Tato pravděpodobnost je definována právě pomocí výše zmíněných apriorních modelů. Výsledky experimentů ukazují, že navrhované řešení dosahuje výsledků,...cs_CZ
dc.languageEnglishcs_CZ
dc.language.isoen_US
dc.publisherUniverzita Karlova, Matematicko-fyzikální fakultacs_CZ
dc.subjectneural networken_US
dc.subjectgenerativeen_US
dc.subjectimage reconstructionen_US
dc.subjectMAPen_US
dc.subjectimage prioren_US
dc.subjectneuronová síťcs_CZ
dc.subjectgenerativnícs_CZ
dc.subjectobrazová rekonstrukcecs_CZ
dc.subjectMAPcs_CZ
dc.subjectapriorní model obrazucs_CZ
dc.titleGenerative neural networks in image reconstructionen_US
dc.typediplomová prácecs_CZ
dcterms.created2018
dcterms.dateAccepted2018-01-29
dc.description.departmentKatedra softwaru a výuky informatikycs_CZ
dc.description.departmentDepartment of Software and Computer Science Educationen_US
dc.description.facultyMatematicko-fyzikální fakultacs_CZ
dc.description.facultyFaculty of Mathematics and Physicsen_US
dc.identifier.repId187027
dc.title.translatedVyužití generativních modelů neuronových sítí v obrazové rekonstrukcics_CZ
dc.contributor.refereeZvirinský, Peter
thesis.degree.nameMgr.
thesis.degree.levelnavazující magisterskécs_CZ
thesis.degree.disciplineUmělá inteligencecs_CZ
thesis.degree.disciplineArtificial Intelligenceen_US
thesis.degree.programComputer Scienceen_US
thesis.degree.programInformatikacs_CZ
uk.faculty-name.csMatematicko-fyzikální fakultacs_CZ
uk.faculty-name.enFaculty of Mathematics and Physicsen_US
uk.faculty-abbr.csMFFcs_CZ
uk.degree-discipline.csUmělá inteligencecs_CZ
uk.degree-discipline.enArtificial Intelligenceen_US
uk.degree-program.csInformatikacs_CZ
uk.degree-program.enComputer Scienceen_US
thesis.grade.csVýborněcs_CZ
thesis.grade.enExcellenten_US
uk.abstract.csNedávný výzkum v oblasti generování přirozeně vypadajících obrázků přišel se slibným přístupem k modelování apriorní parvděpodobnosti těchto obrázků. Architektura těchto apriorních modelů je založena na hlubokých neuronových sítích. Přestože jsou tyto modely primárně určeny pro generování obrázků, jejich potencionální využití je mnohem širší. Jednou z případných aplikací je využití těchto modelů pro řešení inverzních problémů v nízkoúrovňovém počítačovém vidění, tedy pro rekonstrukci obrazu. Toto využití umožňuje zejména fakt, že architektura těchto modelů umožňuje spočítat derivaci apriorní pravděpodobnosti vzhledem k vstupnímu obrázku. Hlavním cílem této práce je zhodnotit možnosti využití těchto apriorních modelů v rekonstrukci obrazu. Tato práce navrhuje novou, na optimalizaci založenou, metodu pro řešení dvou rekonstrukčních problémů: odšumování obrazu a super-rezoluce, kde vstupem je pouze jediný obrázek. Na- vrhovaná metoda využívá optimalizační algoritmy pro hledání nejvyšší aposteriorní pravděpodobnosti. Tato pravděpodobnost je definována právě pomocí výše zmíněných apriorních modelů. Výsledky experimentů ukazují, že navrhované řešení dosahuje výsledků,...cs_CZ
uk.abstract.enRecent research in generative models came up with a promising approach to modelling the prior proba- bility of natural images. The architecture of these prior models is based on deep neural networks. Although these priors were primarily designed for generating new natural-like images, its potential use is much broader. One of the possible applications is to use these models for solving the inverse problems in low-level vision (i.e., image reconstruction). This usage is mainly possible because the architecture of these models allows computing the derivative of the prior probability with respect to the input image. The main objective of this thesis is to evaluate the usage of these prior models in image reconstruction. This thesis proposes a novel model-based optimization method to two image reconstruction problems - image denoising and single-image super-resolution (SISR). The proposed method uses optimization algorithms for finding the maximum-a- posteriori probability, which is defined using the above mentioned prior models. The experimental results demonstrate that the proposed approach achieves reconstruction performance competitive with the current state-of-the-art methods, especially regarding SISR.en_US
uk.file-availabilityV
uk.publication.placePrahacs_CZ
uk.grantorUniverzita Karlova, Matematicko-fyzikální fakulta, Katedra softwaru a výuky informatikycs_CZ


Files in this item

Thumbnail
Thumbnail
Thumbnail
Thumbnail
Thumbnail
Thumbnail
Thumbnail

This item appears in the following Collection(s)

Show simple item record


© 2017 Univerzita Karlova, Ústřední knihovna, Ovocný trh 3-5, 116 36 Praha; email: admin-repozitar [at] cuni.cz

Za dodržení všech ustanovení autorského zákona jsou zodpovědné jednotlivé složky Univerzity Karlovy. / Each constituent part of Charles University is responsible for adherence to all provisions of the copyright law.

Upozornění / Notice: Získané informace nemohou být použity k výdělečným účelům nebo vydávány za studijní, vědeckou nebo jinou tvůrčí činnost jiné osoby než autora. / Any retrieved information shall not be used for any commercial purposes or claimed as results of studying, scientific or any other creative activities of any person other than the author.

DSpace software copyright © 2002-2015  DuraSpace
Theme by 
@mire NV