Cтруктурно-параметричний синтез нейронних мереж для відновлення зображень у разі пошкодження синтетичними об’єктами
DOI:
https://doi.org/10.18372/1990-5548.89.21472Ключові слова:
структурно-параметричний синтез, відновлення зображень, інпайнінг, нейронні мережі, генетичний алгоритм, пікове співвідношення сигнал/шум, індекс структурної подібності, кодер-декодер, затримка, випадкове стиранняАнотація
Cтаттю присвячено структурно-параметричному синтезу нейронних мереж для керованого відновлення на парах «пошкоджений – оригінал». В якості алгоритма оптимізації використано генетичний алгоритм. Навчальні дані синтезуються за допомогою об’єктно-орієнтованого випадкового стирання. Розподіл потяг / значення / тест не перетинається: 5362 / 670 / 670. На виході (n = 670; дійсна область letterbox, без доповнень) Wider U-Net дає 25,33±4,50 дБ (1,88 млн; 116,6 GMAC), а Warm Start GA дає 25,23±4,39 дБ (1,15 млн; 97,3 GMAC). За парним тестом Вілкоксона, розрив від Wider U-Net становить 0,10 дБ, а перевага над Baseline GA становить 0,25 дБ у цьому запуску. Обидві синтезовані мережі значно кращі за Telea та identique. Ширина рівнів у просторі синтезу обмежена 128 фільтрами, тому Wider U-Net (256) знаходиться поза ним. Результат інтерпретується як конкурентний компроміс, без претензії на абсолютне лідерство PSNR та без узагальнення теплого запуску за межі цього експерименту.
Посилання
M. Z. Zgurovsky, V. M. Sineglazov, and O. I. Chumachenko, “Formation of Hybrid Artificial Neural Networks Topologies. Artificial Intelligence Systems Based on Hybrid Neural Networks: Theory and Applications,” Studies in Computational Intelligence, vol. 904, pp. 175–232, 2021. Cham: Springer, https://doi.org/10.1007/978-3-030-48453-8_3.
[2] M. Z. Zgurovsky, V. M. Sineglazov, and O. I. Chumachenko, “Classification and Analysis of Multicriteria Optimization Methods. Artificial Intelligence Systems Based on Hybrid Neural Networks: Theory and Applications,” Studies in Computational Intelligence, vol. 904, pp. 59–174, 2021. Cham: Springer. https://doi.org/10.1007/978,-3-030-48453-8_2.
[3] V. Sineglazov, M. Hordun, and S. Junttila, “An intelligent system for determining the degree of tree bark beetle damage based on the use of generative-adversarial neural networks,” Plant-Environment Interactions, vol. 5, no. 6, 2024, Article e70015. https://doi.org/10.1002/pei3.70015.
[4] B. Zoph, V. Vasudevan, J. Shlens, and Q. V. Le, “Learning Transferable Architectures for Scalable Image Recognition,” CVPR, pp. 8697–8710, 2018. https://doi.org/10.1109/CVPR.2018.00907.
[5] E. Real, A. Aggarwal, Y. Huang, and Q. V. Le, “Regularized Evolution for Image Classifier Architecture Search,” AAAI, vol. 33, no. 1, pp. 4780–4789, 2019. https://doi.org/10.1609/aaai.v33i01.33014780.
[6] H. Liu, K. Simonyan, and Y. Yang, “DARTS: Differentiable Architecture Search,” ICLR, 2019. arXiv:1806.09055. https://doi.org/10.48550/arXiv.1806.09055.
[7] H. Pham, M. Guan, B. Zoph, Q. Le, and J. Dean, “Efficient Neural Architecture Search via Parameter Sharing,” ICML, PMLR 80, pp. 4095–4104, 2018. arXiv:1802.03268. https://doi.org/10.48550/arXiv.1802.03268.
[8] L. Xie and A. Yuille, “Genetic CNN,” ICCV, pp. 1388–1397, 2017. https://doi.org/10.1109/ICCV.2017.154.
[9] Z. Lu, I. Whalen, V. Boddeti, Y. Dhebar, K. Deb, E. Goodman, and W. Banzhaf, “NSGA-Net: Neural Architecture Search using Multi-Objective Genetic Algorithm,” GECCO, pp. 419–427, 2019. https://doi.org/10.1145/3321707.3321729.
[10] N. Sinha and K.-W. Chen, “Evolving Neural Architecture Using One Shot Model, GECCO, pp. 910–918. 2021. https://doi.org/10.1145/3449639.3459275.
[11] K. Deb, A. Pratap, S. Agarwal, and T. Meyarivan, “A Fast and Elitist Multiobjective Genetic Algorithm: NSGA-II,” IEEE Transactions on Evolutionary Computation, vol. 6, no. 2, 2002, pp. 182–197. https://doi.org/10.1109/4235.996017.
[12] A. Criminisi, P. Perez, and K. Toyama, “Region Filling and Object Removal by Exemplar-Based Image Inpainting,” IEEE Transactions on Image Processing, vol. 13, no. 9, 2004, pp. 1200–1212. https://doi.org/10.1109/TIP.2004.833105.
[13] K. Zhang, W. Zuo, Y. Chen, D. Meng, and L. Zhang, “Beyond a Gaussian Denoiser: Residual Learning of Deep CNN for Image Denoising,” IEEE Transactions on Image Processing, vol. 26, no. 7, 2017, pp. 3142–3155. https://doi.org/10.1109/TIP.2017.2662206.
[14] O. Ronneberger, P. Fischer, and T. Brox, “U-Net: Convolutional Networks for Biomedical DOI Image Segmentation,” MICCAI, pp. 234–241, 2015. https://doi.org/10.1007/978-3-319-24574-4_28.
[15] D. Pathak, P. Krahenbuhl, J. Donahue, T. Darrell, and A. A. Efros, “Context Encoders: Feature Learning by Inpainting,” CVPR, pp. 2536–2544, 2016. https://doi.org/10.1109/CVPR.2016.278.
[16] G. Liu, F. A. Reda, J. Shih, T.-C. Wang, A. Tao, and B. Catanzaro, “Image Inpainting for Irregular Holes Using Partial Convolutions,” ECCV, pp. 89–105, 2018. https://doi.org/10.1007/978-3-030-01252-6_6.
[17] A. Lugmayr, M. Danelljan, A. Romero, F. Yu, R. Timofte, and L. Van Gool, “RePaint: Inpainting using Denoising Diffusion Probabilistic Models,” CVPR, pp. 11451–11461. 2022. https://doi.org/10.1109/CVPR52688.2022.01117.
[18] Z. Wang, A. C. Bovik, H. R. Sheikh, and E. P. Simoncelli, “Image Quality Assessment: From Error Visibility to Structural Similarity,” IEEE Transactions on Image Processing, vol. 13, no. 4, 2004, pp. 600–612. https://doi.org/10.1109/TIP.2003.819861.
[19] T. DeVries and G. W. Taylor, “Improved Regularization of Convolutional Neural Networks with Cutout, arXiv:1708.04552, 2017. https://doi.org/10.48550/arXiv.1708.04552.
[20] Z. Zhong, L. Zheng, G. Kang, S. Li, and Y. Yang, “Random Erasing Data Augmentation,” AAAI, vol. 34, no. 7, pp. 13001–13008, 2020. https://doi.org/10.1609/aaai.v34i07.7000.
[21] R. Zhang, P. Isola, A. A. Efros, E. Shechtman, and O. Wang, “The Unreasonable Effectiveness of Deep Features as a Perceptual Metric,” CVPR, pp. 586–595, 2018. https://doi.org/10.1109/CVPR.2018.00068.
Downloads
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2026 Олена Іллівна Чумаченко, Анатолій Тарасович Кот
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
Науковий журнал "Електроніка та системи управління" дотримується принципів відкритого доступу (Open Access) та забезпечує вільний, негайний і постійний доступ до всіх опублікованих матеріалів без фінансових, технічних або юридичних обмежень для читачів.
Усі статті публікуються у відкритому доступі відповідно до ліцензії Creative Commons Attribution 4.0 International (CC BY 4.0).
Авторські права
Автори, які публікують свої роботи в журналі ""Електроніка та системи управління":
-
зберігають за собою авторські права на свої публікації;
-
надають журналу право на перше опублікування статті;
-
погоджуються на поширення матеріалів за ліцензією CC BY 4.0;
-
мають право повторно використовувати, архівувати та поширювати свої роботи (у тому числі в інституційних та тематичних репозитаріях) за умови посилання на первинну публікацію в журналі.
