Использование GAN для улучшения качества астрономических изображений

Введение 3
1. Теоретические аспекты использования GAN для улучшения качества астрономических изображений 5
1.1 Понятие и разновидности GAN 5
1.2 Использование GAN в обработке изображений 11
2. Реализация и обучение GAN 14
2.1. Архитектура дискриминатора 14
2.2. Архитектура генератора 16
2.3. Разработка пользовательского интерфейса 18
2.4. Подготовка данных для обучения 19
2.5. Функции потерь и выбор оптимизатора 21
2.6. Процесс обучения модели 23
Заключение 26
Список литературы 28

Весь текст будет доступен после покупки

Астрономия, как наука о небесных телах и явлениях, требует высокой точности и качества изображений для глубокого анализа и интерпретации данных. Современные астрономические наблюдения генерируют огромные объемы информации, однако качество получаемых изображений зачастую оставляет желать лучшего из-за различных факторов, таких как атмосферные искажения, шумы и ограничения оборудования. В связи с этим, задача улучшения качества астрономических изображений становится все более актуальной.
Одним из основных подходов к решению этой проблемы является использование генеративных состязательных сетей (GAN, Generative Adversarial Networks). GAN представляют собой класс алгоритмов машинного обучения, которые способны генерировать новые данные на основе обучающего набора. Их применение в области обработки изображений уже продемонстрировало значительные успехи, включая улучшение разрешения, удаление шумов и восстановление недостающих деталей.
В распознавании изображений нейронные сети стали прорывом, так как не нуждаются в ручном определении признаков изображения. Они сами учатся на больших массивах размеченных данных и хорошо распознают объекты в разных условиях, например, при плохом освещении или разном масштабе. Существуют разные виды нейросетей для этих задач, включая сверточные, рекуррентные и глубокие.

Весь текст будет доступен после покупки

1. Теоретические аспекты использования GAN для улучшения качества астрономических изображений

1.1 Понятие и разновидности GAN

Генеративно-состязательные сети (GAN, Generative Adversarial Networks) представляют собой класс нейронных сетей, предназначенных для создания новых данных, имитирующих реальные. Основу GAN составляют два ключевых компонента: генератор и дискриминатор. Генератор отвечает за создание синтетических данных, например, изображений, которые должны быть максимально похожи на настоящие. Дискриминатор, в свою очередь, анализирует данные, определяя, являются ли они реальными (из обучающей выборки) или сгенерированными (созданными генератором). Этот процесс обучения происходит в форме состязания, где генератор стремится улучшить качество своих данных, чтобы обмануть дискриминатор, а дискриминатор учится более точно отличать реальные данные от синтетических.
Процесс обучения GAN происходит в форме игры между генератором и дискриминатором: генератор пытается улучшить качество своих сгенерированных данных, чтобы обмануть дискриминатор. Дискриминатор, в свою очередь, пытается стать более точным в распознавании фальшивок.
Эта состязательная природа позволяет обеим сетям улучшаться со временем, что приводит к созданию высококачественных данных. GANs нашли применение в различных областях, включая создание изображений, видео, музыки, а также в задачах по улучшению качества изображений и восстановлению недостающих данных.
Архитектура GAN была впервые представлена Яном Гудфеллоу, сотрудником Google, в 2014 году. Ян Лекун, который занимает должность директора по исследованиям в области искусственного интеллекта в Facebook, подчеркнул, что состязательный метод обучения сетей является одной из самых значительных инноваций в машинном обучении за последнее десятилетие. [10, c.7]
Существует множество адаптаций GAN, разработанных для решения конкретных задач в различных сферах применения. Рассмотрим некоторые из них.
Одной из таких адаптаций являются свёрточные DCGAN (Deep Convolutional Generative Adversarial Networks). Это расширение архитектуры GAN, которое использует сверточные нейронные сети (CNN) в качестве генератора и дискриминатора. Эта модель была предложена в 2015 году и стала популярной благодаря своей способности генерировать более качественные и реалистичные изображения по сравнению с традиционными GAN. [8]
Основные особенности DCGAN:
1. Сверточные слои: в отличие от оригинальных GAN, которые могли использовать полносвязные слои, DCGAN применяет сверточные слои для извлечения пространственных признаков из изображений, что позволяет лучше захватывать структуру данных.

Весь текст будет доступен после покупки

1. Аверин, Д.С. Разработка структуры нейронной сети для увеличения разрешения изображения / Д.С. Аверин, Е.М. Марков // Информационные технологии в науке, промышленности и образовании: Сборник трудов региональной научно-технической конференции 31 мая 2018 г. – Ижевск : Ижевский государственный технический университет имени М.Т. Калашникова, 2018. – C. 107-113.
2. Блажевич, С.В. К вопросу о методах повышения качества цифровых изображений / С.В. Блажевич, Е.С. Селютина // Научные ведомости Белгородского государственного университета. Серия: Математика. Физика. – Федеральное государственное автономное образовательное учреждение высшего образования «Белгородский государственный национальный исследовательский университет», 2015. – С. 5-12.
3. Болотин, Е.В. Применение нейронных сетей для задачи улучшения качества изображений и видеоматериалов / Е.В. Болотин, Е.М. Марков // Гагаринские чтения: Сборник тезисов докладов XLV Международной молодежной научной конференции 16-19 апреля 2019 г. – Москва : Московский авиационный институт (национальный исследовательский университет), 2019. – C. 197-198.
4. Голуб Ю. И. Оценка качества цифровых изображений / Ю.И. Голуб, В.В. Старовойтов. – Минск: ОИПИ НАН Беларуси, 2023. – 252 с.
5. Гонта, А. Резкость изображения и оборудование CCTV / A. Гонта, E. Седов // Алгоритм безопасности. ? 2020. ? № 1.? С. 30-32.
6. Гонсалес, Р. Цифровая обработка изображений / Р. Гонсалес, Р. Вудс.- М.: Техносфера, 2006. ? 1072 с.

Весь текст будет доступен после покупки