El término “restaurar” hace referencia al hecho de recuperar, reparar o devolver al estado inicial que tenía un objeto determinado. En el caso de las imágenes, a pesar de que desde la primera fotografía tomada alrededor de la década de 1840 se han producido mejoras notables en la tecnología para su captura, persisten desafíos y obstáculos que afectan a la integridad visual de las mismas. Estos obstáculos demandan la búsqueda e investigación de técnicas innovadoras para poder preservar la autenticidad y la calidad de las imágenes a lo largo del tiempo. Gracias a los grandes avances conseguidos en el sector de las Tecnologías de la Información y de la Comunicación (TIC) asi cómo en la ciencia de tratamiento y procesamiento de imágenes podemos llevar a cabo este proceso de restauración a nivel digital. Denominaremos Restauración de Imágenes al proceso de mejora de la calidad de una imagen compensando o eliminando las distorsiones y el deterioro presentes en la misma. Hoy en día el disponer de imágenes nítidas y bien preservadas es crucial en muchos ámbitos, como puede ser la medicina (para la consecución de diagnósticos más precisos), la seguridad (reconocimiento de objetos y personas), la astronomía (análisis y estudio de los objetos celestes), etc. Todas estas imágenes sen pueden ver afectadas de diferentes maneras ya sea por la compresión de las mismas, su subexposición o sobrexposición, desenfoque por el movimiento de la cámara durante la captura de la imagen y otros motivos. Uno de los principales problemas que afectan a las imágenes es la aparición de ruido en ellas. El ruido son distorsiones visuales identificables como efectos de granulado o decoloración que suelen reducir el impacto de una imagen, oscurece los detalles y, cuando se presenta en niveles altos, puede arruinar por completo dicha imagen. Los modelos de restauración de imágenes actuales han experimentados avances significativos en la eliminación del ruido y mejora de la calidad, pero aún quedan desafíos como la preservación de detalles importantes o encontrar un buen conjunto de imágenes que sea capaz de entrenar estos modelos. Este Trabajo Fin de Grado pretende proponer una alternativa a las técnicas de restauración de imágenes por eliminación de ruido (“Denoising”) ya existentes, mediante la aplicación de algoritmos de aprendizaje profundo (Deep learning) basadas en redes neuronales junto con el uso de mecanismos de atención sobre las imágenes. En este proyecto se hacen uso de pares de imágenes “noisy-groundtruth” siendo noisy aquella versión de la imagen afectada por el ruido o degradada y groundtruth la versión de la imagen original que sirve de objetivo al que queremos llegar. Estos pares se obtendrán de varios conjuntos de imágenes propuestos para la investigación y estudio como pueden ser el BSD o SIDD.
Abstract:
The term “restore” refers to the fact of recovering, repairing or returning an object to its initial state. In the case of images, despite the fact that since the first photograph was taken around the 1840s there have been remarkable improvements in image capture technology, there are still challenges and obstacles that affect the visual integrity of images. These obstacles demand the search for and research of innovative techniques to preserve the authenticity and quality of images over time. Thanks to the great advances achieved in the field of Information and Communication Technologies (ICT) as well as in the science of image treatment and processing, we can carry out this restoration process at a digital level. Image Restoration is the process of improving the quality of an image by compensating or eliminating distortions and deterioration present in it. Nowadays, having clear and well preserved images is crucial in many fields, such as medicine (for more accurate diagnoses), security (recognition of objects and people), astronomy (analysis and study of celestial objects), etc. All these images can be affected in different ways either by image compression, underexposure or overexposure, blurring due to camera movement during image capture and other reasons. One of the main problems affecting images is the appearance of noise in them. Noise is identifiable visual distortions such as grainy or discolored effects that often reduce the impact of an image, obscure details and, when present at high levels, can completely ruin the image. Current image restoration models have made significant advances in denoising and quality improvement, but challenges remain such as preserving important details or finding a good set of images that are capable of training these models. This Final Degree Project aims to propose an alternative to existing denoising image restoration techniques by applying deep learning algorithms based on neural networks together with the use of attention mechanisms on the images. In this project we make use of “noisy-groundtruth” image pairs, being noisy the version of the image affected by noise or degraded and groundtruth the version of the original image that serves as the target we want to reach. These pairs will be obtained from several sets of images proposed for the research and study, such as the BSD or SIDD.
El término “restaurar” hace referencia al hecho de recuperar, reparar o devolver al estado inicial que tenía un objeto determinado. En el caso de las imágenes, a pesar de que desde la primera fotografía tomada alrededor de la década de 1840 se han producido mejoras notables en la tecnología para su captura, persisten desafíos y obstáculos que afectan a la integridad visual de las mismas. Estos obstáculos demandan la búsqueda e investigación de técnicas innovadoras para poder preservar la autenticidad y la calidad de las imágenes a lo largo del tiempo. Gracias a los grandes avances conseguidos en el sector de las Tecnologías de la Información y de la Comunicación (TIC) asi cómo en la ciencia de tratamiento y procesamiento de imágenes podemos llevar a cabo este proceso de restauración a nivel digital. Denominaremos Restauración de Imágenes al proceso de mejora de la calidad de una imagen compensando o eliminando las distorsiones y el deterioro presentes en la misma. Hoy en día el disponer de imágenes nítidas y bien preservadas es crucial en muchos ámbitos, como puede ser la medicina (para la consecución de diagnósticos más precisos), la seguridad (reconocimiento de objetos y personas), la astronomía (análisis y estudio de los objetos celestes), etc. Todas estas imágenes sen pueden ver afectadas de diferentes maneras ya sea por la compresión de las mismas, su subexposición o sobrexposición, desenfoque por el movimiento de la cámara durante la captura de la imagen y otros motivos. Uno de los principales problemas que afectan a las imágenes es la aparición de ruido en ellas. El ruido son distorsiones visuales identificables como efectos de granulado o decoloración que suelen reducir el impacto de una imagen, oscurece los detalles y, cuando se presenta en niveles altos, puede arruinar por completo dicha imagen. Los modelos de restauración de imágenes actuales han experimentados avances significativos en la eliminación del ruido y mejora de la calidad, pero aún quedan desafíos como la preservación de detalles importantes o encontrar un buen conjunto de imágenes que sea capaz de entrenar estos modelos. Este Trabajo Fin de Grado pretende proponer una alternativa a las técnicas de restauración de imágenes por eliminación de ruido (“Denoising”) ya existentes, mediante la aplicación de algoritmos de aprendizaje profundo (Deep learning) basadas en redes neuronales junto con el uso de mecanismos de atención sobre las imágenes. En este proyecto se hacen uso de pares de imágenes “noisy-groundtruth” siendo noisy aquella versión de la imagen afectada por el ruido o degradada y groundtruth la versión de la imagen original que sirve de objetivo al que queremos llegar. Estos pares se obtendrán de varios conjuntos de imágenes propuestos para la investigación y estudio como pueden ser el BSD o SIDD.
Abstract:
The term “restore” refers to the fact of recovering, repairing or returning an object to its initial state. In the case of images, despite the fact that since the first photograph was taken around the 1840s there have been remarkable improvements in image capture technology, there are still challenges and obstacles that affect the visual integrity of images. These obstacles demand the search for and research of innovative techniques to preserve the authenticity and quality of images over time. Thanks to the great advances achieved in the field of Information and Communication Technologies (ICT) as well as in the science of image treatment and processing, we can carry out this restoration process at a digital level. Image Restoration is the process of improving the quality of an image by compensating or eliminating distortions and deterioration present in it. Nowadays, having clear and well preserved images is crucial in many fields, such as medicine (for more accurate diagnoses), security (recognition of objects and people), astronomy (analysis and study of celestial objects), etc. All these images can be affected in different ways either by image compression, underexposure or overexposure, blurring due to camera movement during image capture and other reasons. One of the main problems affecting images is the appearance of noise in them. Noise is identifiable visual distortions such as grainy or discolored effects that often reduce the impact of an image, obscure details and, when present at high levels, can completely ruin the image. Current image restoration models have made significant advances in denoising and quality improvement, but challenges remain such as preserving important details or finding a good set of images that are capable of training these models. This Final Degree Project aims to propose an alternative to existing denoising image restoration techniques by applying deep learning algorithms based on neural networks together with the use of attention mechanisms on the images. In this project we make use of “noisy-groundtruth” image pairs, being noisy the version of the image affected by noise or degraded and groundtruth the version of the original image that serves as the target we want to reach. These pairs will be obtained from several sets of images proposed for the research and study, such as the BSD or SIDD. Read More
Related posts:
Escalado y reconstrucción de imágenes
Software para ayudar en la interpretación de gammagrafías óseas
Diseño e implementación de una solución de estimación de mapas de profundidad a partir de vídeo monocular basada en aprendizaje profundo
Estudio de plataformas para la creación de competiciones aplicado a la tarea de clasificación de imágenes
Racionalidades pedagógicas en Ecuador: hacia una evaluación curricular reflexiva
Qué buen negocio son las ZBE para los ayuntamientos