Publication:
Deep merge-and-run convolutional neural network for image denoising and super-resolution

No Thumbnail Available
Authors
Figueroa Rosado, Juan
Embargoed Until
Advisor
Arzuaga, Emmanuel
College
College of Engineering
Department
Department of Electrical and Computer Engineering
Degree Level
M.S.
Publisher
Date
2024-05-10
Abstract
Imaging systems have become part of ordinary life due to their integration into smart devices such as phones, tablets, and computers. In the field of image processing, we face a common challenge: noisy and low-resolution images. There are limitations and inherent problems to optical and imaging systems. Some of these are caused by noise, lighting, or vibrations. Recent years have seen significant advances in deep learning and machine learning techniques have been aimed at addressing these complex problems. This thesis introduces an innovative deep learning architecture composed of convolutional blocks in a merge-and-run configuration. The model tackles two prevalent problems in image processing: image denoising and single-image super-resolution. Our focus includes the design, implementation, and evaluation of this architecture, specifically targeting the denoising of confocal microscopy images and super-resolution of synthetic aperture radar (SAR) images. The model achieved highly competitive results in both use cases, enhancing image clarity and resolution comparably to existing methods, but with a 45% reduction in architecture size.

Los sistemas de adquisicion de imágenes se han convertido en parte de la vida cotidiana debido a su integración en dispositivos como teléfonos, tabletas y computadoras. En el espacio de procesamiento de imágenes existen limitaciones y problemas inherentes, algunos de los cuales son causados por ruido, iluminación o vibraciones. En la actualidad, se han desarrollado técnicas de "deep learning" y "machine learning" para resolver estos problemas complejos. Este trabajo propone una arquitectura innovadora de "deep learning", una red neuronal compuesta por bloques convolucionales en una configuración de "merge-and-run". Este modelo será enfocado en áreas como la eliminación de ruido y la super resolución. Esta tesis se centrará en el diseño, implementación y evaluación de la arquitectura. Para la eliminación de ruido, el enfoque sera en imágenes de microscopía confocal y para la super resolución, en imágenes de radar de apertura sintética (SAR). El modelo propuesto obtuvo resultados altamente competitivos en ambos casos de uso, mejorando la claridad y resolución de las imágenes de manera comparable a los métodos existentes, pero con una reducción del 45% en el tamaño de la arquitectura.
Keywords
Neural,
Networks,
Denoising,
Convolutional
Usage Rights
All Rights Reserved / restricted to Campus
Cite
Figueroa Rosado, J. (2024). Deep merge-and-run convolutional neural network for image denoising and super-resolution [Thesis]. Retrieved from https://hdl.handle.net/20.500.11801/3663