Registration Number
0826U004072, PhD dissertation
Status
Доктор філософії
Date
12-08-2026
popup.evolution
.
Title
Methods for Improving Image Quality in Information and Communication Systems Based on Deep Learning Technologies
Author
Oles Tehlivets,
popup.head Yuriy M. Romanyshyn
popup.opponent Volodymyr V. Lukin
popup.opponent Roman A. Vorobel
popup.review Ivan H. Tsmots
popup.review Ihor M. Zhuravel
popup.rada
Lviv Polytechnic National University
Description
У дисертаційній роботі розв’язано науково-практичне завдання розроблення методів покращення якості зображень на основі технологій глибокого навчання для застосування в сучасних інформаційно-комунікаційних системах.
В умовах розвитку сучасних інформаційно-комунікаційних системах особливої актуальності набуває забезпечення високої якості візуальних даних під час їх передавання, зберігання та оброблення в мережевих середовищах. Наявність шумів, низька контрастність, розмиття, артефакти компресії та інші спотворення знижують інформативність зображень і можуть призводити до помилок у роботі автоматизованих систем. Зростання обсягів даних та підвищення вимог до швидкості їх оброблення зумовлюють розроблення ефективних методів оцінки та автоматизованого покращення якості зображень.
Метою дисертаційної роботи є підвищення ефективності оцінювання контрастності та покращення якості цифрових зображень в інформаційно-комунікаційних системах шляхом розроблення методів формування баз тестових зображень, застосування нейронних мереж та проведення порівняльного аналізу експертних і нейромережевих оцінок.
Об’єктом дослідження є процеси оцінки та покращення якості цифрових зображень у системах оброблення візуальної інформації, що функціонують у складі сучасних інформаційно-комунікаційних систем.
Предметом дослідження є методи, моделі та засоби глибокого навчання для оцінки та покращення якості цифрових зображень.
Методи дослідження. У дисертації використано методи цифрового оброблення зображень, глибокого навчання на основі згорткових нейронних мереж, математичної статистики, об’єктивні методи оцінювання якості зображень, методи суб’єктивного оцінювання, статистичного аналізу, експериментальні методи, програмні методи.
У першому розділі здійснено комплексний аналіз методів та алгоритмів оцінювання й покращення якості цифрових зображень в інформаційно-комунікаційних системах, обґрунтовано доцільність інтеграції нейромережевих підходів у модульну структуру ІКС.
Розглянуто методи оцінювання якості, підходи до покращення контрастності, сучасні метрики та нейромережеві моделі оброблення зображень. Визначено переваги використання згорткових нейронних мереж для покращення якості цифрових зображень.
У другому розділі розроблено та вдосконалено методи оцінювання якості цифрових зображень на основі глибоких нейронних мереж. Сформовано репрезентативні тестові вибірки на основі відкритих баз даних TID2013, CEED2016 і LOL. Сформовано спеціалізовану базу півтонових зображень і запропоновано алгоритм автоматизованого оцінювання якості зображень на основі згорткової нейронної мережі. Розроблено алгоритм функціонування глибокої нейронної мережі, що включає етапи попереднього оброблення, багаторівневого виділення ознак, агрегації локальних характеристик та регресійного оцінювання якості. Експериментально підтверджено ефективність моделі: досягнуто високого рівня узгодженості результатів із суб’єктивними оцінками (до 90 % збігу попарних порівнянь).
У третьому розділі обґрунтовано вибір архітектури глибокої нейронної мережі для покращення якості цифрових зображень та реалізовано алгоритми на основі архітектури MIRNet і спрощених згорткових нейронних мереж. Експериментальні дослідження підтвердили ефективність запропонованих моделей і показали, що використання спрощеної архітектури дає змогу зменшити обчислювальні витрати без суттєвого погіршення якості відновлених зображень.
У четвертому розділі проведено комплексну експериментальну оцінку ефективності розроблених методів оцінювання та покращення якості цифрових зображень. Виконано порівняльний аналіз традиційних і нейромережевих методів та підтверджено ефективність архітектури MIRNet і спрощених згорткових нейронних мереж для використання в ресурсообмежених інформаційно-комунікаційних системах. За метрикою SSIM найкращі результати демонструє MIRNet (до 0.994), тоді як традиційні інструменти забезпечують SSIM у межах 0.938-0.988. Показано, що ручна та напівавтоматична корекція потребує значного людського втручання і є менш стабільною під час пакетного оброблення. Визначено, що нейромережевий підхід на базі MIRNet на GPU забезпечує оброблення одного зображення за 0.03-0.12 с, тоді як традиційні редактори – 5-60 с на зображення). Виконано порівняльне дослідження запропонованої спрощеної CNN та архітектури MIRNet на повноколірних і півтонових зображеннях при різних типах спотворень (контрастність, зниження яскравості). Отримані результати підтверджують ефективність запропонованих методів і обґрунтовують доцільність використання менш складних архітектур у ресурсообмежених ІКС для завдань покращення якості зображень.
Registration Date
2026-07-29
popup.nrat_date
2026-07-29 / 2026-08-18
