| 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 |
12300 Institute of Applied Computer Systems |
| 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 |
