Super Resolution Neural Networks: una comparación de modelos y arquitecturas

Marco Pardo, Lucas (2022). Super Resolution Neural Networks: una comparación de modelos y arquitecturas. Proyecto Fin de Carrera / Trabajo Fin de Grado, E.T.S.I. de Sistemas Informáticos (UPM), Madrid.

Description

Title: Super Resolution Neural Networks: una comparación de modelos y arquitecturas
Author/s:
  • Marco Pardo, Lucas
Contributor/s:
  • Talavera Muñoz, Edgar
Item Type: Final Project
Degree: Grado en Ingeniería del Software
Date: July 2022
Subjects:
Freetext Keywords: Deep learning; Imágenes de alta resolución; Redes neuronales convolucionales; Redes neuronales convolucionales con skip connections; Redes generativas antagónicas; Comparativa
Faculty: E.T.S.I. de Sistemas Informáticos (UPM)
Department: Sistemas Informáticos
Creative Commons Licenses: Recognition - No derivative works - Non commercial

Full text

[img] PDF - Users in campus UPM only - Requires a PDF viewer, such as GSview, Xpdf or Adobe Acrobat Reader
Download (1MB)

Abstract

En los últimos diez años el Deep Learning ha revolucionado infinidad de procesos y soluciones y el campo del aumento de calidad de imágenes o Super Resolución no ha sido una excepción. En este proyecto investigamos y desarrollamos los avances en Super Resolución basados en Deep Learning a través de una comparación de los resultados obtenidos al implementar tres técnicas clave que han marcado historia en el avance científico de este campo. Para ello, se ha investigado el desarrollo histórico del campo para elegir tres técnicas: Redes Neuronales Convolucionales, Redes Neuronales Convolucionales con Skip Connections y Redes Generativas Antagónicas; se ha creado un conjunto de datos de entrenamiento propio; se han implementado las dos primeras técnicas por completo con previa experimentación y, finalmente, se han obtenido resultados de todas ellas para luego ser comparados en base a dos métricas: el Error Cuadrático Medio y la Proporción Máxima de Señal a Ruido. Una vez obtenidos los resultados en los que se confirma la superioridad total de las Redes Generativas Antagónicas, algunas ventajas de la implementación de Skip Connections y la revolución inicial que supuso la operación convolucional en el campo de la Super Resolución, se procede a hacer un análisis crítico de los resultados para entender su validez científica real desde las métricas utilizadas hasta su impacto medioambiental, y por último se proponen nuevos retos para continuar y afianzar el presente proyecto. Abstract: During the last ten years Deep Learning has enabled multiple discoveries and breakthroughs in the image resolution enhancement —better known as ”Super Resolution”— field. In this project we investigate and discuss recent Super Resolution advancements based on Deep Learning through a comparison of the implementation and results of three historically acclaimed techniques which changed the course of the field. For this we have studied the field historical development in order to choose these three techniques: Convolutional Neural Networks, Convolutional Neural Networks with Skip Connections and Generative Adversarial Networks. Then, a dataset has been created for self-training purposes. After that, the first two techniques have been completely implemented with previous experimentation, and finally every architecture has been compared based on two different metrics: Mean Squared Error and Peak Signal-to-Noise Ratio. Once the results —with which we can conclude the superiority of Generative Adversarial Networks, the advantages of Skip Connections and the importance of the convolution operation— have been obtained, a critical analysis is addressed in order to understand its real scientific viability from the metrics mentioned above to its environmental impact. Lastly, we propose different paths and new challenges to improve the present project.

More information

Item ID: 71320
DC Identifier: https://oa.upm.es/71320/
OAI Identifier: oai:oa.upm.es:71320
Deposited by: Biblioteca Universitaria Campus Sur
Deposited on: 20 Jul 2022 19:20
Last Modified: 20 Jul 2022 19:20
  • Logo InvestigaM (UPM)
  • Logo GEOUP4
  • Logo Open Access
  • Open Access
  • Logo Sherpa/Romeo
    Check whether the anglo-saxon journal in which you have published an article allows you to also publish it under open access.
  • Logo Dulcinea
    Check whether the spanish journal in which you have published an article allows you to also publish it under open access.
  • Logo de Recolecta
  • Logo del Observatorio I+D+i UPM
  • Logo de OpenCourseWare UPM