Resumen

El desenfoque de movimiento y la mejora de imágenes son áreas de investigación muy activas desde hace años. Aunque el modelo basado en CNN se encuentra en un estado avanzado de la técnica de desenfoque de movimiento y mejora de imágenes, no consigue producir resultados multitarea cuando se enfrenta a imágenes con condiciones de iluminación difíciles. La idea clave de este trabajo es introducir un novedoso algoritmo de aprendizaje multitarea para el desenfoque de movimiento y la mejora del color de las imágenes, que nos permite mejorar el efecto de color de una imagen al tiempo que eliminamos el desenfoque de movimiento. Para lograrlo, exploramos por primera vez la sincronización del procesamiento de dos tareas utilizando el marco de las redes generativas adversariales (GANs). Añadimos la pérdida L1 a la pérdida del generador para simular que el modelo se ajusta a la imagen objetivo a nivel de píxel. Para que la imagen generada se acerque más a la imagen objetivo a nivel visual, también integramos la pérdida de estilo perceptual en la pérdida del generador. Tras muchos experimentos, conseguimos un esquema de configuración eficaz. El mejor modelo, entrenado durante aproximadamente una semana, ha alcanzado un rendimiento puntero tanto en el desenfoque como en la mejora. Además, su velocidad de procesamiento de imágenes es aproximadamente 1,75 veces superior a la del mejor competidor.

• Materias:Rayo láser Onda electromagnética Óptica Biofotónica
• Subjects:Lasers Electromagnetic waves Optics Biophotonics
• Palabras claves:pérdida de generador, mejora de la imagen, imagen objetivo, áreas de investigación activas, esquema de configuración eficaz, redes generativas adversariales, velocidad de procesamiento de imágenes, pérdida de estilo perceptual, imagen, modelo
• Keywords:generator loss, image enhancement, target image, active research areas, effective configuration scheme, generative adversarial networks, image processing speed, perceptual style loss, image, model