Original title: Zvýšení rozlišení obrazu pomocí hlubokých neuronových sítí
Translated title: Image Super-Resolution Using Deep Learning
Authors: Mojžiš, Tomáš ; Beran, Vítězslav (referee) ; Španěl, Michal (advisor)
Document type: Master’s theses
Year: 2022
Language: slo
Publisher: Vysoké učení technické v Brně. Fakulta informačních technologií
Abstract: [slo] [eng]
Cieľom tejto práce je vytvoriť hlbokú neurónovú sieť schopnú zvýšiť rozlíšenie obrazov získaných elektrónovými mikroskopmi. Jedná sa o úlohu zväčšenia rozlíšenia na základe jedného obrázku. Skladá sa z dvoch častí - nájdenie vhodných dát a vytvorenie dátovej sady pre danú úlohu a návrh architektúry neurónovej siete, ktorá je schopná riešiť úlohu zvýšenia rozlíšenia obrazu. V práci vznikli dve dátové sady pozostávajúce z obrázkov pochádzajúcich z elektrónových mikroskopov. Dátové sady majú rôzny prístup k augmentácii dáta. Je vďaka nim možné natrénovať neurónové siete pre úlohu zvýšenia rozlíšenia obrazu. Pri riešení boli otestované dve architektúry typu U-Net a jedna typu GAN. Rozlíšenie bolo zvyšované dvakrát a štyrikrát. Najlepšie umelo zväčšené obrázky z testovaných architektúr vytvára sieť Real-ESRGAN. V hodnotách metrík nie je lepšia ako testovaná interpolačná metóda, obrázky však často pôsobia kvalitnejšie, najmä pri zvýšení rozlíšenia štyrikrát. Vďaka tejto práci bola vytvorená dátová sada, na ktorej je možné trénovať ďalšie architektúry a zlepšovať tak kvalitu výsledných obrázkov. Neurónové siete z tejto práce je možné použiť pri získavaní kvalitnejších dát z elektrónového mikroskopu pri nízkom rozlíšení. The aim of this thesis is to create a deep neural net capable of super-resolution on images acquired by electron microscopes. The thesis consists of two parts - finding appropriate data and creating a dataset for the super-resolution task and designing a neural net architecture capable of solving the super-resolution task. Within the thesis, two datasets comprised of images acquired by electron microscopes were created. The datasets differ in the approach to data augmentation. They allow to train a neural network which fulfills the super-resolution task. To solve this task, two U-Net based and one GAN based architecture were trained. The resolution of images was upscaled by a factor of two and four. The best artificially upscaled images were created by neural network Real-ESRGAN. The values of metrics were not higher than the tested interpolation method, but the images seem more visually pleasing especially when they were upscaled four times. Thanks to this thesis, two datasets were created allowing to train other possible neural network architectures to improve the quality of the artificially upscaled images. The neural networks trained in this thesis can be utilized in the process of acquiring higher quality data from low resolution electron microscope images.
Keywords: computer vision; convolutional neural network; dataset; deep learning; deep neural network; electron microscopy; gan; super-resolution; unet

Institution: Brno University of Technology (web)
Document availability information: Fulltext is available in the Brno University of Technology Digital Library.
Original record: http://hdl.handle.net/11012/207826

Permalink: http://www.nusl.cz/ntk/nusl-505350


The record appears in these collections:
Universities and colleges > Public universities > Brno University of Technology
Academic theses (ETDs) > Master’s theses