|
|
Video Denoising Using Deep Learning
Naumenko, Maksim ; Hradiš, Michal (oponent) ; Španěl, Michal (vedoucí práce)
In the era of digital multimedia, video content quality significantly impacts user experiences and system performance, particularly in domains such as entertainment, and video and image processing. This thesis addresses the persistent challenge of video noise, which degrades video quality, through the use of advanced deep learning techniques. Initially, traditional video denoising approaches are reviewed to establish a foundational understanding of denoising concepts. Subsequently, two state-of-the-art models, FastDVDNet and ViDeNN, are studied to familiarize with neural network architectures. The main product of this work is the development of a robust video denoising pipeline that utilizes a UNet architecture inspired by these state-of-the-art models. Throughout the thesis, the proposed UNet Baseline, ResUNet, and ResUNet Temporal models are explained, implemented, and evaluated to demonstrate their effectiveness in video denoising.
|
|
| |
|
| |
|
|
Fotodokumentace v akvaristice
KUTTELVAŠEROVÁ STUCHELOVÁ, Věra
Cílem této práce bylo shromáždit poznatky o problematice a metodice fotografování v akvaristice, popisy rozdílných přístupů při fotografování akvárií jako celku, interiéru nádrží, vodních rostlin, ukázkových druhů ryb a dalších akvarijních organismů včetně detailů. Hlavní částí práce bylo praktické ověření jednotlivých metod a postupů, vyhodnocení výsledků s doporučením nejvhodnějších technik pro fotografování akvarijních organismů v umělých laboratorních podmínkách. Použitá technika byla výhradně digitální fotografie s odůvodněním jejích výhod. Důraz byl kladen na způsoby osvětlování objektů a postupy jak zamezit vzniku optických a dalších vad technického charakteru, což je v akvaristické fotografii hlavní problematika.
|
host ::
RSS.