Search academic texts

Information × Registration Number 2125U003981, Article popup.category Опубліковано, Стаття Title PREDICTION THE ACCURACY OF IMAGE INPAINTING USING TEXTURE DESCRIPTORS popup.author Колодочка Д. О.Полякова М. В.Рогачко В. В.Kolodochka D. O.Polyakova M. V.Rogachko V. V. popup.publication 29-06-2025 popup.source_user Журнал "Радіоелектроніка, інформатика, управління" (Національний університет "Запорізька політехніка") popup.source https://ric.zp.edu.ua/article/view/332871 popup.publisher National University "Zaporizhzhia Polytechnic" Description Актуальність. Проблема заповнення відсутніх областей зображення реалістичним контентом часто виникає при обробці реальних сцен у комп’ютерному зорі та комп’ютерній графіці. Щоб відновити відсутні області на зображенні, застосовуються різні підходи, такі як дифузійні моделі, механізм самоуважності, генеративні змагальні мережі. Для відновлення зображень реальних сцен використовуються згорткові нейронні мережі. Із застосуванням цих мереж останнім часом досягнуто значних успіхів у відновленні зображень. Але отримані відновлені зображення не завжди високої якості.Мета роботи полягає у зменшенні витрат часу в системах комп’ютерної графіки та комп’ютерного зору шляхом прогнозування якості відновлення зображень згортковими нейронними мережами.Метод. Прогноз точності відновлення зображення здійснено шляхом аналізу статистики зображення без виконання самої реконструкції і, отже, без витрачання зайвого часу та комп’ютерних ресурсів на відновлення зображення. Мивикористали пікове відношення сигнал/шум і показник індексу структурної подібності для оцінки якості відновлення зображення.Результати. Показано, що передбачення ефективне для широкого діапазону розмірів масок і зображень реальних сцен збази даних Places2. У якості прикладу було зосереджено на окремих випадках версій мережі LaMa, хоча запропонований метод також можна узагальнити на інші згорткові нейронні мережі.Висновки. Отримані результати показують, що прогноз якості відновлення зображень може бути виконаний із задовільною точністю, якщо використовувати залежності SSIM або PSNR від показника однорідності текстури зображень.Слід зазначити, що структурна подібність початкового та відновленого зображень краще передбачувана, ніж помилка між відповідними пікселями цих зображень. Щоб зменшити помилку прогнозування можна застосувати регресію за декількома вхідними змінними popup.nrat_date 2026-02-26 Close