Super-resolución en imágenes

Marzoa Tanco, Mercedes

Metadato	Etiqueta	Valor	Idioma
dc.contributor.advisor	Tutor	Almansa, Andrés	-
dc.contributor.advisor	Tutor	Di Martino, Matias	-
dc.contributor.advisor	Tutor	Tejera, Gonzalo	-
dc.contributor.author	Autor	Marzoa Tanco, Mercedes	-
dc.contributor.filiacion	Filiación	Marzoa Tanco Mercedes, Universidad de la República (Uruguay). Facultad de Ingeniería.	-
dc.date.accessioned	Fecha ingreso	2020-12-22T16:46:32Z	-
dc.date.available	Fecha disponible	2020-12-22T16:46:32Z	-
dc.date.issued	Año de publicación	2019	-
dc.description.abstract	Resumen	El problema de super-resolución refiere al proceso de mejorar la resolución espacial de una imagen estimando la alta resolución a partir de una o varias imágenes degradadas de baja resolución. Estas técnicas han sido ampliamente investigadas debido al gran impacto que tienen en variadas aplicaciones, como ser aplicaciones médicas, imágenes satelitales o vídeo vigilancia. Recientemente con el desarrollo de las redes neuronales profundas han surgido varias alternativas eficaces para resolver este problema. En este trabajo se presenta el estado del arte para los algoritmos de super-resolución, utilizando métodos mono-imagen y multi-imagen. Se comparan los métodos basados en redes neuronales profundas con un método variacional propuesto recientemente (STV). En particular, se estudia como impactan las diferentes estrategias con la incertidumbre en la estimación de la traslación entre las imágenes de baja resolución. Para entrenar los métodos basados en redes neuronales es necesario generar muestras sintéticas a partir de imágenes de alta resolución. Se evalúa como la elección de los métodos de sub-muestreo y sobre-muestreo afecta el aprendizaje de las redes. Además, se cuantifica el impacto de entrenar y testear una red utilizando datos generados con diferentes modelo de degradación. Los experimentos sugieren que la definición de estos pasos juegan un papel fundamental y afectan significativamente lo que las redes aprenden. Se realizan experimentos con imágenes satelitales, suponiendo el modelo de degradación desconocido. Por último, se proporciona como resultado adicional de esta tesis, un programa de código abierto que permite mejorar la resolución de una imagen, seleccionando el tipo de red (monoimagen o multi-imagen) y el modelo de degradación con el que se generan los datos de entrenamiento. La interfaz puede ser utilizada para reproducir los resultados aquí presentados.	es
dc.format.extent	Extensión	78 p.	es
dc.format.mimetype	Formato	application/pdf	es
dc.identifier.citation	Citación	Marzoa Tanco, M. Super-resolución en imágenes [en línea] Tesis de maestría. Montevideo : Udelar. FI. INCO : PEDECIBA, Area Informática, 2019.	es
dc.identifier.issn	ISSN	1688-2792	-
dc.identifier.uri	URI	https://hdl.handle.net/20.500.12008/26226	-
dc.language.iso	Idioma	es	es
dc.publisher	Editorial	Udelar. FI	es
dc.rights	Derechos	Las obras depositadas en el Repositorio se rigen por la Ordenanza de los Derechos de la Propiedad Intelectual de la Universidad de la República.(Res. Nº 91 de C.D.C. de 8/III/1994 – D.O. 7/IV/1994) y por la Ordenanza del Repositorio Abierto de la Universidad de la República (Res. Nº 16 de C.D.C. de 07/10/2014)	es
dc.rights.licence	Licencia	Licencia Creative Commons Atribución - No Comercial - Sin Derivadas (CC - By-NC-ND 4.0)	es
dc.subject	Palabras clave	Deep learning	es
dc.subject	Palabras clave	Super resolution	es
dc.subject.other	Descriptores	REDES NEURONALES	es
dc.title	Título	Super-resolución en imágenes	es
dc.type	Tipo de documento	Tesis de maestría	es
thesis.degree.grantor	Facultad o Servicio que otorga el Título	Universidad de la República (Uruguay). Facultad de Ingeniería	es
thesis.degree.name	Título Obtenido	Magíster en Informática	es

Colecciones:

Tesis de posgrado

Ficheros	Descripción	Tamaño	Formato
MAR19.pdf	Tesis de maestría	43.36 MB	Adobe PDF

Atrás