Застосування методів машинного навчання для ретушування нічних зображень

Abstract

Магістерська кваліфікаційна робота виконана студентом групи КНСШ-22 Крісою Русланом Віталійовичем. Тема “Застосування методів машинного навчання для ретушування нічних зображень”. Робота направлена на здобуття ступеня магістр за спеціальністю 122 «Комп’ютерні науки». Метою цієї роботи є розробка моделі для покращення якості зображень, зроблених в умовах низького рівня освітлення, з використанням методів машинного навчання. Об’єктом дослідження цієї роботи є процеси реалізації та проєктування моделі для покращення зображень отриманих в умовах низького рівня освітлення. В результаті виконання дипломної роботи було побудовано модель, що складається з двох компонентів: мережі декомпозиції й відновлення. Результати навчання моделі продемонстрували її високу ефективність: середнє значення PSNR склало близько 23, а SSIM — 0.85 на тестовій вибірці навчального набору даних. Додатково було проведено порівняння роботи моделі з традиційним методом коригування яскравості — гамма-корекцією, на зовнішніх зображеннях без еталонних пар. Розроблена модель значно перевершила традиційний підхід, продемонструвавши природніше відображення кольорів, ефективніше зниження рівня шуму та покращену деталізацію зображень. Особливо це помітно в сценах зі складними умовами освітлення, де гамма-корекція часто викликає спотворення кольорів або підсилює шум. Отримані результати цього дослідження є важливими, оскільки вони можуть знайти широке застосування у сфері автоматичної обробки зображень, зокрема в умовах низької освітленості, зменшуючи необхідність ручного втручання. Загальний обсяг роботи: 60 сторінок, 22 рисунка, 22 посилання. The master's qualification work was performed by a student of the group CSAI22 Ruslan Krisa. The topic is “Applying machine learning methods to retouch night images”. The work is aimed at obtaining a master's degree in the specialty 122 “Computer Science”. The purpose of this work is to develop a model for improving the quality of images taken in low light conditions using machine learning methods. The object of study of this work is the processes of implementing and designing a model for improving images taken in low light conditions. As a result of the diploma work, a model consisting of two components was built: a decomposition network and a restoration network. The results of the model's training demonstrated its high efficiency: the average PSNR value was about 23, and the SSIM was 0.85 on the test sample of the training dataset. Additionally, a comparison was conducted between the model's performance and the traditional brightness correction method—gamma correction—on external images without reference pairs. The developed model significantly outperformed the traditional approach, demonstrating more natural color rendering, more effective noise reduction, and improved image detail. This is especially noticeable in scenes with complex lighting conditions, where gamma correction often causes color distortion or amplifies noise. The results of this study are important because they can find wide application in the field of automatic image processing, particularly under low light conditions, reducing the need for manual intervention.The total amount of work: 59 pages, 21 figures, 22 references. Total work volume: 60 pages, 22 figures, 22 references.