Оцінювання якості моделей та методів глибокого навчання для формування суперроздільних зображень
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...
Збережено в:
| Дата: | 2025 |
|---|---|
| Автори: | , |
| Формат: | Стаття |
| Мова: | Англійська |
| Опубліковано: |
The National Technical University of Ukraine "Igor Sikorsky Kyiv Polytechnic Institute"
2025
|
| Теми: | |
| Онлайн доступ: | http://journal.iasa.kpi.ua/article/view/351424 |
| Теги: |
Додати тег
Немає тегів, Будьте першим, хто поставить тег для цього запису!
|
| Назва журналу: | System research and information technologies |
Репозитарії
System research and information technologies| _version_ | 1856543626289479680 |
|---|---|
| author | Lanko, Anna Nedashkovskaya, Nadezhda |
| author_facet | Lanko, Anna Nedashkovskaya, Nadezhda |
| author_sort | Lanko, Anna |
| baseUrl_str | |
| collection | OJS |
| datestamp_date | 2026-02-02T20:49:24Z |
| description | 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. |
| first_indexed | 2026-02-08T08:06:12Z |
| format | Article |
| id | journaliasakpiua-article-351424 |
| institution | System research and information technologies |
| language | English |
| last_indexed | 2026-02-08T08:06:12Z |
| publishDate | 2025 |
| publisher | The National Technical University of Ukraine "Igor Sikorsky Kyiv Polytechnic Institute" |
| record_format | ojs |
| spelling | journaliasakpiua-article-3514242026-02-02T20:49:24Z Quality assessment of models and deep learning methods for super-resolution image formation Оцінювання якості моделей та методів глибокого навчання для формування суперроздільних зображень Lanko, Anna Nedashkovskaya, Nadezhda single image super-resolution quality assessment generative models deep learning methods convolutional neural network residual learning recursive learning fine-tuning of pre-trained models perceptual metric LPIPS multicriteria decision analysis DIV2K dataset thresholds for practically acceptable and high-quality generated images 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 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. Розглянуто метрику оцінювання результатів генерації суперроздільних зображень під час розв’язання задачі SISR. Дослідження включає два експерименти: власну реалізацію мережевих архітектур для SRGAN, VDSR і SRCNN, і точне налаштування попередньо навчених моделей SRGAN, VDSR і SRCNN. Запропоновано алгоритм оцінювання якості моделей і методів глибокого навчання для генерації суперроздільних зображень. Модель VDSR продемонструвала найкращі результати з точки зору піксельного, структурних і перцептивних показників, а також часу навчання та візуального підтвердження якості згенерованого зображення людиною, підкреслюючи, що залишкове навчання є більш ефективним, ніж рекурсивне навчання за умов двох проведених експериментів. Порогові значення для прийнятних і високоякісних результатів визначено шляхом візуального аналізу багатьох згенерованих зображень і відповідних показників якості, включно з тими, про які повідомляли інші дослідники. The National Technical University of Ukraine "Igor Sikorsky Kyiv Polytechnic Institute" 2025-12-29 Article Article Peer-reviewed Article application/pdf http://journal.iasa.kpi.ua/article/view/351424 10.20535/SRIT.2308-8893.2025.4.06 System research and information technologies; No. 4 (2025); 104-119 Системные исследования и информационные технологии; № 4 (2025); 104-119 Системні дослідження та інформаційні технології; № 4 (2025); 104-119 2308-8893 1681-6048 en http://journal.iasa.kpi.ua/article/view/351424/338446 |
| spellingShingle | 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 Lanko, Anna Nedashkovskaya, Nadezhda Оцінювання якості моделей та методів глибокого навчання для формування суперроздільних зображень |
| title | Оцінювання якості моделей та методів глибокого навчання для формування суперроздільних зображень |
| title_alt | Quality assessment of models and deep learning methods for super-resolution image formation |
| title_full | Оцінювання якості моделей та методів глибокого навчання для формування суперроздільних зображень |
| title_fullStr | Оцінювання якості моделей та методів глибокого навчання для формування суперроздільних зображень |
| title_full_unstemmed | Оцінювання якості моделей та методів глибокого навчання для формування суперроздільних зображень |
| title_short | Оцінювання якості моделей та методів глибокого навчання для формування суперроздільних зображень |
| title_sort | оцінювання якості моделей та методів глибокого навчання для формування суперроздільних зображень |
| topic | 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 |
| topic_facet | single image super-resolution quality assessment generative models deep learning methods convolutional neural network residual learning recursive learning fine-tuning of pre-trained models perceptual metric LPIPS multicriteria decision analysis DIV2K dataset thresholds for practically acceptable and high-quality generated images 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 |
| url | http://journal.iasa.kpi.ua/article/view/351424 |
| work_keys_str_mv | AT lankoanna qualityassessmentofmodelsanddeeplearningmethodsforsuperresolutionimageformation AT nedashkovskayanadezhda qualityassessmentofmodelsanddeeplearningmethodsforsuperresolutionimageformation AT lankoanna ocínûvannââkostímodelejtametodívglibokogonavčannâdlâformuvannâsuperrozdílʹnihzobraženʹ AT nedashkovskayanadezhda ocínûvannââkostímodelejtametodívglibokogonavčannâdlâformuvannâsuperrozdílʹnihzobraženʹ |