Řešení inverzních problémů ve zpracování obrazu pomocí hlubokého učení
| Thesis title in Czech: | Řešení inverzních problémů ve zpracování obrazu pomocí hlubokého učení |
|---|---|
| Thesis title in English: | Solving Inverse Problems of Image Processing with Deep Learning |
| Key words: | slepá dekonvoluce, superresolution, optický tok, konvoluční neuronové sítě |
| English key words: | blind deconvolution, superresolution, optical flow, convolutional neural networks |
| Academic year of topic announcement: | 2017/2018 |
| Thesis type: | diploma thesis |
| Thesis language: | |
| Department: | Department of Software and Computer Science Education (32-KSVI) |
| Supervisor: | doc. Ing. Filip Šroubek, Ph.D., DSc. |
| Author: | hidden - assigned by the advisor |
| Date of registration: | 16.10.2017 |
| Date of assignment: | 03.11.2017 |
| Guidelines |
| Principy hlukového učení se v posledních letech začaly aplikovat i ve špatně podmíněných inverzních problémech zpracování obrazu, jako je slepá dekonvoluce, zvyšování rozlišení nebo optický tok. Úkolem studenta bude v první řadě se seznámit s těmito inverzními problémy a porozumět důvodům špatné podmíněnosti. Dále experimentálně ověří, jak se navržená řešení z oblasti hlubokého učení chovají na praktických úlohách. V neposlední řadě pak navrhne řešení pro zvyšování rozlišení (super-resolution) z více snímku (např. videa) zachycující stejnou scénu. Pro tento problém bude nutné kombinovat výsledky odhadu optického toku a zvyšování rozlišení z jednoho snímku. Praktické použití úspěšné implementovaného řešení je cíleno na vylepšování záběrů z bezpečnostních kamer. |
| References |
| 1) Blind Image Deconvolution, CRC Press, 2007
2) Park, S., et al.: Super-resolution image reconstruction: A technical overview, IEEE Signal Proc. Magazine, 2003 3) Hradiš, M., et al.: Convolutional Neural Networks for Direct Text Deblurring, BMVC 2015 4) E. Ilg, et al.: FlowNet 2.0: Evolution of Optical Flow Estimation with Deep Networks, CVPR 2017 |
| Preliminary scope of work in English |
| Deep Learning and in particular Convolutional Neural Networks (CNN) have been recently used for solving image processing inverse problems such as blind deconvolution, super-resolution and optical flow. The goal of the thesis is to design a novel CNN-based algorithm for super-resolution of multiple video frames, which could be used in practice on videos from security cameras. |