| Studiju veids |
maģistra akadēmiskās studijas |
| Studiju programmas nosaukums |
Intelektuālas robotizētas sistēmas |
| Nosaukums |
Dziļā mašīnmācīšanā balstītas metodes vairāku ekspozīciju attēlu savienošanai |
| Nosaukums angļu valodā |
Deep Learning Based Methods For Multiple Exposure Image Fusion |
| Struktūrvienība |
12300 Lietišķo datorsistēmu institūts |
| Darba vadītājs |
Ēvalds Urtāns |
| Recenzents |
Dmitrijs Bļizņuks |
| Anotācija |
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. |
| Atslēgas vārdi |
Mašīnmācīšanās, vairāku ekspozīciju savienošana, attēlu transfor- meri, vadītā filtrēšana, hromatiskās krāsas |
| Atslēgas vārdi angļu valodā |
Machine learning, multiple exposure fusion, vision transformers, guided filtering, chromatic colors |
| Valoda |
lv |
| Gads |
2024 |
| Darba augšupielādes datums un laiks |
05.01.2024 10:58:46 |
