Image super resolution using deep learning techniques

Basit Öğe Kaydı
dc.authorid0009-0002-0623-0715
dc.contributor.advisorEskil, Mustafa Taneren_US
dc.contributor.authorEl Ballouti, Salah Eddineen_US
dc.contributor.otherIşık Üniversitesi, Lisansüstü Eğitim Enstitüsü, Bilgisayar Mühendisliği Yüksek Lisans Programıen_US
dc.contributor.otherIşık University, School of Graduate Studies, Master’s Program in Computer Engineeringen_US
dc.date.accessioned2025-06-09T13:22:14Z
dc.date.available2025-06-09T13:22:14Z
dc.date.issued2024-09-02
dc.departmentIşık Üniversitesi, Lisansüstü Eğitim Enstitüsü, Bilgisayar Mühendisliği Yüksek Lisans Programıen_US
dc.departmentIşık University, School of Graduate Studies, Master’s Program in Computer Engineeringen_US
dc.descriptionText in English ; Abstract: English and Turkishen_US
dc.descriptionIncludes bibliographical references (leaves 52-54)en_US
dc.descriptionxi, 55 leavesen_US
dc.description.abstractImage SR using Deep Learning Techniques has become a critical area of research, with significant progress in improving image quality and detail. This thesis examines and contrasts eight advanced deep learning-based SR methods: CARN, EDSR, ESPCN, RCAN, RDN, SRCNN, SRGAN, and VDSR, using the DIV2K dataset. The evaluation covers multiple aspects to offer a thorough understanding of each method's effectiveness, efficiency, and structure. Performance measurements such as PSNR and SSIM are utilized for evaluating the fidelity of super-resolved images. Computational efficiency is evaluated based on inference time and memory requirements. Training time is analyzed, taking into account the speed of convergence for training on the DIV2K dataset. Model complexity is examined, exploring architectural details such as network depth, and the integration of specialized elements like residual blocks and attention mechanisms. Additionally, the thesis explains in a clear and detailed manner the trade-offs between performance and complexity, discussing whether more complex architectures deliver significantly better results compared to simpler models and whether the computational cost justifies the improvements. Finally, a qualitative comparison is conducted to emphasize the strengths and weaknesses of each technique. Through this comprehensive analysis, this thesis offers insights into the field of deep learning-based image SR, assisting researchers and practitioners in choosing the most appropriate method for various applications.en_US
dc.description.abstractDerin Öğrenme Teknikleri kullanarak Görüntü Süper Çözünürlüğü (SR), görüntü kalitesini ve detayını geliştirmede önemli bir araştırma alanı haline gelmiştir. Bu tez, CARN, EDSR, ESPCN, RCAN, RDN, SRCNN, SRGAN ve VDSR olmak üzere sekiz gelişmiş derin öğrenme tabanlı SR yöntemini, DIV2K veri kümesini kullanarak incelemekte ve karşılaştırmaktadır. Değerlendirme, her yöntemin etkinliğini, verimliliğini ve yapısını tam anlamıyla anlamak için birden fazla yönü kapsamaktadır. Süper çözünürlüklü görüntülerin kalitesini değerlendirmek için tepe Sinyal-Gürültü Oranı (PSNR) ve Yapısal Benzerlik İndeksi (SSIM) gibi performans ölçümleri kullanılmaktadır. Hesaplama verimliliği, çıkarım süresi ve bellek gereksinimleri temel alınarak değerlendirilmiştir. Eğitim süresi, DIV2K veri kümesinde eğitim için yakınsamanın hızı göz önünde bulundurularak analiz edilmiştir. Model karmaşıklığı incelenmiş, ağ derinliği gibi mimari detaylar ve kalıntı blokları ve dikkat mekanizmaları gibi özel unsurların entegrasyonu gibi konular araştırılmıştır. Ek olarak bu tezde, performans ve karmaşıklık arasındaki dengeyi net ve detaylı bir şekilde ortaya koyduk; daha karmaşık mimarilerin daha basit modellere kıyasla önemli ölçüde daha iyi sonuçlar verip vermediğini ve hesaplama maliyetinin geliştirmeleri haklı çıkarıp çıkarmadığını inceledik. Son olarak, her tekniğin güçlü ve zayıf yönlerini vurgulamak için nitel bir karşılaştırma yaptık. Bu kapsamlı analiz aracılığıyla, bu tez, araştırmacıların ve uygulayıcıların çeşitli uygulamalar için en uygun yöntemi seçmelerine yardımcı olarak, derin öğrenme tabanlı görüntü süper çözünürlüğü alanında içgörüler sunmaktadır.en_US
dc.description.tableofcontentsCASCADE RESIDUAL NETWORK (CARN)en_US
dc.description.tableofcontentsENHANCED DEEP SUPER RESOLUTION (EDSR)en_US
dc.description.tableofcontentsEFFICIENT SUB-PIXEL CONVOLUTIONAL NEURAL NETWORK (ESPCN)en_US
dc.description.tableofcontentsRESIDUAL CHANNEL ATTENTION NETWORKS (RCAN)en_US
dc.description.tableofcontentsRESIDUAL DENSE NETWORK (RDN)en_US
dc.description.tableofcontentsSUPER-RESOLUTION CONVOLUTIONAL NEURAL NETWORK(SRCNN)en_US
dc.description.tableofcontentsSUPER-RESOLUTION GENERATIVE ADVERSARIAL NETWORK (SRGAN)en_US
dc.description.tableofcontentsVERY DEEP SUPER-RESOLUTION (VDSR)en_US
dc.description.tableofcontentsCARNen_US
dc.description.tableofcontentsEDSRen_US
dc.description.tableofcontentsESPCNen_US
dc.description.tableofcontentsRCANen_US
dc.description.tableofcontentsRDNen_US
dc.description.tableofcontentsSRCNNen_US
dc.description.tableofcontentsSRGANen_US
dc.description.tableofcontentsVDSRen_US
dc.identifier.citationEl Ballouti, S. E. (2024). Image super resolution using deep learning techniques. İstanbul: Işık Üniversitesi Lisansüstü Eğitim Enstitüsü.en_US
dc.identifier.urihttps://hdl.handle.net/11729/6431
dc.identifier.yoktezid905366
dc.institutionauthorEl Ballouti, Salah Eddineen_US
dc.institutionauthorid0009-0002-0623-0715
dc.language.isoenen_US
dc.publisherIşık Üniversitesi, Lisansüstü Eğitim Enstitüsüen_US
dc.relation.publicationcategoryTezen_US
dc.rightsinfo:eu-repo/semantics/openAccess
dc.subjectImage super-resolutionen_US
dc.subjectDeep learningen_US
dc.subjectImage enhancementen_US
dc.subjectGörüntü süper-çözünürlüken_US
dc.subjectDerin öğrenmeen_US
dc.titleImage super resolution using deep learning techniquesen_US
dc.title.alternativeGörüntülerin derin öğrenme teknikleri ile üstün çözünürlükte yeniden oluşturulmasıen_US
dc.typeMaster Thesisen_US
dspace.entity.typePublicationen_US

Dosyalar

Orijinal paket
Listeleniyor 1 - 1 / 1
Küçük Resim
İsim:
Image_super_resolution using_deep_learning_techniques.pdf
Boyut:
3.73 MB
Biçim:
Adobe Portable Document Format
İndir
Lisans paketi
Listeleniyor 1 - 1 / 1
Küçük Resim Yok
İsim:
license.txt
Boyut:
1.17 KB
Biçim:
Item-specific license agreed upon to submission
Açıklama:
İndir

Koleksiyon

Lisansüstü Eğitim Enstitüsü Tez Koleksiyonu