Graduate papers
  
Description of the graduate paper
Form of studies Master
Title of the study programm Intelligent robotic systems
Title in original language Dziļā mašīnmācīšanā balstītas metodes vairāku ekspozīciju attēlu savienošanai
Title in English Deep Learning Based Methods For Multiple Exposure Image Fusion
Department Faculty Of Computer Science Information Tehnology And Energy
Scientific advisor Ēvalds Urtāns
Reviewer Dmitrijs Bļizņuks
Abstract Šajā pētījumā tiek piedāvāts jauns vairāku ekspozīciju savienošanas mo- delis ColorMEF, kas ir balstīts transformeru arhitektūrā. Atšķirībā no ek- sistējošiem modeļiem, kas, lielākoties, darbojas tikai ar attēlu luminances datiem, ColorMEF aktīvi izmanto hromatisko krāsu informāciju attēlu sa- vienošanas procesā. Hromatisko krāsu izmantošana ļauj ColorMEF sasniegt labākus rezultātus par citiem modeļiem tādos rādītājos kā SSIM, DISTS, un VSI. Modelis tiek apmācīts no sākuma līdz beigām pašvirzītā veidā, op- timizējot MEF-SSIM funkciju, izmantojot ievades datus. Tiek arī piedāvāts jauns rādītājs FSMEF-SSIM, kas izmanto pilnos ievades datus, potenciāli sniedzot stabilāku apmācību ar vienmērīgākiem kvalitatīvajiem rezultātiem un mazāk defektiem.
Keywords Mašīnmācīšanās, vairāku ekspozīciju savienošana, attēlu transfor- meri, vadītā filtrēšana, hromatiskās krāsas
Keywords in English Machine learning, multiple exposure fusion, vision transformers, guided filtering, chromatic colors
Language lv
Year 2024
Date and time of uploading 05.01.2024 10:58:46