МЕТОД ТА ПРОГРАМНЕ ЗАБЕЗПЕЧЕННЯ ДЛЯ ПІДВИЩЕННЯ ЯКОСТІ ЗОБРАЖЕНЬ

М.О. Сметана; О.С.  Шкурат

doi:10.34185/1562-9945-4-165-2026-02

Автор(и)

М.О. Сметана https://orcid.org/0009-0006-0036-7488
О.С. Шкурат https://orcid.org/0000-0001-7633-9121

DOI:

https://doi.org/10.34185/1562-9945-4-165-2026-02

Ключові слова:

покращення зображень, адаптивна обробка, GFPGAN, Real-ESRGAN, AIEA, PSNR, SSIM, цифрова обробка зображень, нейронні мережі

Анотація

У статті розглянута задача покращення якості цифрових зображень. Запропоновано адаптивний метод покращення якості цифрових зображень, що ґрунтується на початковому визначенні типу вхідного зображення та застосуванні моделей згорткових нейронних мереж архітектур GFPGAN та Real-ESRGAN, а також цифрового методу перетворення зображень AIEA на основі визначеного типу зображення. Розроблено програмне забезпечення покращення якості цифрових зображень. Ефективність запропонованого методу покращення якості зображень за метриками PSNR та SSIM становить 29,63 та 0,913 відповідно для типу портретних зображень, 29,14 та 0,889 відповідно для типу зашумлених зображень, 28,47 та 0,861 для інших типів зображень.

Посилання

Ledig, C., Theis, L., Huszár, F., Caballero, J., Cunningham, A., Acosta, A., Aitken, A., Te-jani, A., Totz, J., Wang, Z., & Shi, W. (2017). Photo-realistic single image super-resolution using a generative adversarial network. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (pp. 105–114). https://doi.org/10.1109/CVPR.2017.19

Zhang, K., Zuo, W., Chen, Y., Meng, D., & Zhang, L. (2017). Beyond a Gaussian de-noiser: Residual learning of deep CNN for image denoising. IEEE Transactions on Image Processing, 26(7), 3142–3155. https://doi.org/10.1109/TIP.2017.2662206

Lim, B., Son, S., Kim, H., Nah, S., & Lee, K. M. (2017). Enhanced deep residual networks for single image super-resolution. In Proceedings of the IEEE Conference on Computer Vi-sion and Pattern Recognition Workshops (pp. 1132–1140). https://doi.org/10.1109/CVPRW.2017.151

Wang, X., Yu, K., Wu, S., Gu, J., Liu, Y., Dong, C., Loy, C. C., Qiao, Y., & Tang, X. (2018). ESRGAN: Enhanced super-resolution generative adversarial networks. ECCV Work-shops. https://doi.org/10.48550/arXiv.1809.00219

Shocher, A., Cohen, N., & Irani, M. (2018). Zero-shot super-resolution using deep internal learning. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Rec-ognition (pp. 3118–3126). https://doi.org/10.1109/CVPR.2018.00329

Wang, Z., Bovik, A. C., Sheikh, H. R., & Simoncelli, E. P. (2004). Image quality assess-ment: From error visibility to structural similarity. IEEE Transactions on Image Processing, 13(4), 600–612. https://doi.org/10.1109/TIP.2003.819861

Horé, A., & Ziou, D. (2010). Image quality metrics: PSNR vs. SSIM. In 2010 20th Interna-tional Conference on Pattern Recognition (pp. 2366–2369). https://doi.org/10.1109/ICPR.2010.579

OpenCV. (2026). OpenCV official documentation. Retrieved April 2, 2026, from https://docs.opencv.org/4.x/

Gonzalez, R. C., & Woods, R. E. (2018). Digital image processing (4th ed.). Pearson.

Wang, X., Li, Y., Zhang, H., & Shan, Y. (2021). Towards real-world blind face restora-tion with generative facial prior. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (pp. 9168–9178). https://doi.org/10.1109/CVPR46437.2021.00905

Wang, X., Xie, L., Dong, C., & Shan, Y. (2021). Real-ESRGAN: Training real-world blind super-resolution with pure synthetic data. In Proceedings of the IEEE/CVF International Conference on Computer Vision Workshops (pp. 1905–1914). https://doi.org/10.1109/ICCVW54120.2021.00217