|
|
Doplnění chybějící části obrazu pomocí hlubokého učení
Zobaník, Radek ; Kubík, Tibor (oponent) ; Šilling, Petr (vedoucí práce)
V této práci vznikla aplikace pro testování a porovnávání metod pro doplnění chybějící části obrazu za využití hlubokého učení a byly natrénovány dvě metody, pconv s konvoluční architekturou, respektive AOT-GAN s GAN architekturou. Práce popisuje návrh výsledné aplikace, její funkcionalitu a důležité body implementace. Byla zvolena datová sada, na které byly vybrané modely optimálně natrénovány. Proběhly experimenty na AOT-GAN modelu, kdy se zkoumal vliv počtu AOT bloků v generátoru na výsledný doplněný obraz. Všechny experimenty byly kvalitativně a kvantitativně porovnány. Výsledky ukázaly úctyhodné výsledky při práci s přírodní scenérií.
|
|
|
Aplikace pro odstranění objektů z obrázků s využitím metod hlubokého učení
Kotoun, Josef ; Hradiš, Michal (oponent) ; Španěl, Michal (vedoucí práce)
Práce se zabývá tvorbou webové aplikace, která uživateli umožňuje jednoduchým způsobem vybrat objekt v obrázku a následně ho odstranit vizuálně věrohodným způsobem. Aplikace je implementována s použitím frameworku SvelteKit. K výběru a odstranění objektů jsou využity neuronové sítě Mobile Segment Anything a Mobile Inpainting GAN. Neuronové sítě jsou spouštěny na klientské straně webové aplikace s využitím knihovny ONNX Runtime Web, pro efektivní využití zdrojů klientova zařízení jsou použity technologie WebGPU a WebAssembly. Výsledná aplikace umožňuje díky využitým neuronovým sítím vybrat a odstranit objekt pouze v několika málo kliknutích. Dle zpětné vazby uživatelů se s aplikací pracuje jednoduše a upravená část výsledné fotografie je ve většině případů jen těžko postřehnutelná.
|
|
|
Porovnání metod pro doplnění chybějící části obrazu založených na hlubokém učení
Rajsigl, Tomáš ; Herout, Adam (oponent) ; Španěl, Michal (vedoucí práce)
Cílem této bakalářské práce je porovnat metody hlubokého učení pro doplnění chybějící části obrazu pomocí kvantitativních metrik jako jsou PSNR, SSIM a LPIPS. Pro dodatečné subjektivní ohodnocení byla taktéž provedena uživatelská studie. K porovnání byly použity celkem čtyři neuronové sítě založené na architektuře GAN. Navrhovaná architektura neuronové sítě a její modifikované verze byly porovnávány oproti síti AOT-GAN. Experimenty ukázaly, že v obrazech s malou chybějící částí dosáhla varianta navržené metody 29% zlepšení oproti již zmiňované metodě AOT-GAN. Toto tvrzení podporují i výsledky uživatelské studie, kde byla tato metoda vyhodnocena jako nejlepší. V rámci této práce vznikla malá datová sada určená pro vyhodnocení metod retušování obrazu při úloze odstraňování objektů. Reálné využití těchto metod je demonstrováno prostřednictvím webové aplikace.
|
|
|
Reconstruction of Missing Parts of the Face Using Neural Network
Marek, Jan ; Drahanský, Martin (oponent) ; Goldmann, Tomáš (vedoucí práce)
The goal of this thesis is to design a neural network for reconstruction of face images in which a part of the face is obscured by a mask. Concepts used in the development of convolutional neural networks and generative adversarial networks are presented. Specific concepts used in neural networks used for face reconstruction are described. The generative adversarial network presented in this thesis combines the use of gated convolutional layers and dense multiscale fusion blocks to produce realistic reconstructions of masked face images.
|
|
|
Hardsub Remover
Krompaščíková, Emma ; Chlubna, Tomáš (oponent) ; Milet, Tomáš (vedoucí práce)
The goal of this thesis is to propose techniques for removing hardcoded subtitles from video and then implement them in the form of a desktop application. The thesis describes and implements four techniques for removing subtitles from an image – two are based on inpainting and other two use image filters to blur the selected area. An optimized method for detecting text in video is described and implemented using bisection, which enables the reduction of the processing time compared to the detection of text on each frame. The library Keras-OCR is used for text detection and the OpenCV library for its removing. Desktop app has a user interface built using the Electron library, image processing is executed using a Python script.
|
|
|
Reconstruction of Missing Parts of the Face Using Neural Network
Marek, Jan ; Drahanský, Martin (oponent) ; Goldmann, Tomáš (vedoucí práce)
The goal of this thesis is to design a neural network for reconstruction of face images in which a part of the face is obscured by a mask. Concepts used in the development of convolutional neural networks and generative adversarial networks are presented. Specific concepts used in neural networks used for face reconstruction are described. The generative adversarial network presented in this thesis combines the use of gated convolutional layers and dense multiscale fusion blocks to produce realistic reconstructions of masked face images.
|
host ::
RSS.