Please use this identifier to cite or link to this item: http://kb.psu.ac.th/psukb/handle/2016/18099
Full metadata record
DC FieldValueLanguage
dc.contributor.advisorพรชัย พฤกษ์ภัทรานนต์-
dc.contributor.advisorรักกฤตว์ ดวงสร้อยทอง-
dc.contributor.authorอัศวรณ ลิ่มสืบเชื้อ-
dc.date.accessioned2023-04-25T06:12:40Z-
dc.date.available2023-04-25T06:12:40Z-
dc.date.issued2023-
dc.identifier.urihttp://kb.psu.ac.th/psukb/handle/2016/18099-
dc.descriptionวิทยานิพนธ์ (ปร.ด. (วิศวกรรมไฟฟ้า))--มหาวิทยาลัยสงขลานครินทร์, 2566en_US
dc.description.abstractNoise occurrence and image quality loss are crucial issues in image processing. They can occur from the surrounding environment or the electric signal in the camera device. They result in the degradation of image quality and might lead the image processing to errors. In addition, rephotographing is not feasible for obtaining new usable images in some situations, such as single image problems and blind noise scenarios. Therefore, image denoising and restoration of damaged are essential for image processing tasks. Deep learning network is a successful learning-based method with excellent performance that has resulted in much research; nevertheless, it requires more training data. Therefore, it is unsuitable for applications without training data. This research aims to develop a deep learning framework that can be used in the field that lacks validation data for training. This research divides the experiments into 3 topics. The first experiment is an edge-perceptual loss for image denoising which exploits the edge loss and pixel-wise loss for training denoising networks. While this training strategy can increase the performance of the denoising network, it still requires more image data for training. The second experiment presents a self-validation Noise2Noise (SV-N2N) framework to solve the insufficient training dataset for deep learning. SV-N2N can self-train without validation of a noise-free image. The third experiment employs image downsampling and upsampling to eliminate noise and self-validation to restore image resolution. The outcomes demonstrate that the proposed approach can remove and recover image detail from noise and poor resolution.en_US
dc.language.isothen_US
dc.publisherมหาวิทยาลัยสงขลานครินทร์en_US
dc.rightsAttribution-NonCommercial-NoDerivs 3.0 Thailand*
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/3.0/th/*
dc.subjectการฟื้นฟูภาพen_US
dc.subjectการกำจัดสัญญาณรบกวนในภาพen_US
dc.subjectการเพิ่มความละเอียดภาพen_US
dc.titleการฟื้นฟูภาพถ่ายดิจิตอลด้วยการตรวจสอบตัวเองของการเรียนรู้เชิงลึกen_US
dc.title.alternativeDigital Image Restoration Using Self-Validation Deep Learningen_US
dc.typeThesisen_US
dc.contributor.departmentFaculty of Engineering Electrical Engineering-
dc.contributor.departmentคณะวิศวกรรมศาสตร์ ภาควิชาวิศวกรรมไฟฟ้า-
dc.description.abstract-thการเกิดสัญญาณรบกวนและการถูกลดทอนคุณภาพในภาพถ่ายดิจิตอลสามารถเกิดจากสภาพแวดล้อมภายนอกและความผิดปกติทางไฟฟ้าของอุปกรณ์ถ่ายภาพ โดยปัญหาดังกล่าวส่งผลให้ภาพขาดความคมชัดและทำให้การประมวลผลภาพเกิดความผิดพลาดได้ อีกทั้งในบางสถานการณ์อาจไม่สามารถบันทึกภาพที่มีองค์ประกอบของภาพเช่นเดิมได้อีก ดังนั้นการฟื้นฟูภาพถ่ายดิจิตอลจากภาพที่มีอยู่จึงมีความสำคัญอย่างยิ่งเพื่อให้ได้ภาพที่สามารถนำมาใช้ในการประมวณผลภาพได้ โดยปัจจุบันการประมวลผลภาพด้วยการเรียนรู้เชิงลึกซึ่งเป็นวิธีที่มีประสิทธิภาพที่ดี แต่มักจะใช้ข้อมูลจำนวนมากในการเรียนรู้ ทำให้อาจไม่สามารถนำมาใช้ในงานที่มีข้อจำกัดของการจัดหาข้อมูลจำนวนมากมาใช้เรียนรู้ได้ โดยงานวิจัยนี้มีวัตถุประสงค์เพื่อพัฒนาการเรียนรู้เชิงลึกในการฟื้นฟูและกำจัดสัญญาณรบกวนที่มีข้อจำกัดในการจัดหาหรือไม่สามารถจัดหาชุดข้อมูลในการเรียนรู้ได้ เช่นปัญหา single image และ blind noise โดยงานวิจัยนี้ได้นำเสนอหัวข้อการทดลองออกเป็น 3 หัวข้อการทดลองเพื่อพัฒนาการเรียนรู้เชิงลึกในรูปแบบต่างๆ โดยการทดลองที่ 1 เป็นการเพิ่มประสิทธิภาพของการเรียนรู้เชิงลึกด้วย edge-perceptual loss สำหรับการกำจัดสัญญาณรบกวนในภาพถ่ายดิจิตอล ซึ่งเป็นการนำการคำนวณ multiple loss จากความแตกต่างระหว่างขอบของวัตถุและ pixel ของภาพ ซึ่งสามารถกำจัดสัญญาณรบกวนของการเรียนรู้เชิงลึกได้ แต่ยังไม่สามารถแก้ปัญหาปริมาณข้อมูลที่ใช้ได้ ในการทดลองที่ 2 นำเสนอ self-validation Noise2Noise (SV-N2N) framework ซึ่งสามารถเรียนรู้ด้วยตัวเองและไม่อาศัยข้อมูลภาพที่ปราศจากสัญญาณรบกวนมาเป็นตัวตรวจสอบในการเรียนรู้ การทดลองที่ 3 เป็นการทดลองนำเสนอแนวคิดของการกำจัดสัญญาณรบกวนพร้อมทั้งฟื้นฟูความคมชัดของภาพจากการลดและเพิ่มขนาดภาพด้วยทคนิค self-validation ซึ่งสามารถกำจัดสัญญาณรบกวนและเพิ่มความคมชัดของภาพได้en_US
Appears in Collections:210 Thesis

Files in This Item:
File Description SizeFormat 
6010130022.pdf5.2 MBAdobe PDFView/Open


This item is licensed under a Creative Commons License Creative Commons