Оцінювання якості моделей та методів глибокого навчання для формування суперроздільних зображень

• Date: 2025
• Main Authors: Lanko, Anna, Nedashkovskaya, Nadezhda
• Format: Article
• Language: English
• Published: The National Technical University of Ukraine "Igor Sikorsky Kyiv Polytechnic Institute" 2025
• Subjects: задача SISR; оцінювання якості; генеративні моделі; методи глибокого навчання; згорткова нейронна мережа; залишкове навчання; рекурсивне навчання; тонке налаштування попередньо навчених моделей; перцептивна метрика; LPIPS; багатокритеріальний аналіз розв’язань; набір даних DIV2K; порогові значення для прийнятних і високоякісних згенерованих зображень
• Online Access: http://journal.iasa.kpi.ua/article/view/351424
• Journal Title: System research and information technologies

This article examines evaluation metrics for the results of super-resolution image generation in solving the SISR task. The study comprises two experiments: the implementation of custom network architectures for SRGAN, VDSR, and SRCNN, and fine-tuning of pre-trained SRGAN, VDSR, and SRCNN models. An algorithm for assessing the quality of models and deep learning methods for generating super-resolution images is suggested. The VDSR model performed best in terms of pixel, structural, and perceptual metrics, as well as training time and visual confirmation by a human, highlighting that residual learning is more effective than recursive learning under the conditions of the two conducted experiments. Threshold values for practically acceptable and high-quality results were determined through visual analysis of many generated images and their corresponding quality metrics, including those reported by other researchers.