SRGAN.

Ringkasan

SRGAN adalah proyek computer vision untuk mempelajari peningkatan resolusi gambar menggunakan generative adversarial network. Sistem menerima gambar beresolusi rendah dan mempelajari rekonstruksi dengan resolusi yang lebih tinggi.

Fokus proyek ini adalah hubungan antara ketepatan rekonstruksi dan kualitas visual. Gambar yang terlihat lebih tajam belum tentu memiliki detail yang sama persis dengan gambar asal, sehingga evaluasi perlu mencakup metrik kuantitatif serta peninjauan visual.

Masalah dan tujuan

Pembesaran gambar dengan interpolasi sederhana sering menghasilkan detail yang halus atau kabur. Model super-resolution mempelajari pola visual dari pasangan gambar untuk menghasilkan rekonstruksi yang lebih kaya.

Proyek ini memiliki tiga tujuan:

• Mengimplementasikan generator dan discriminator untuk single-image super-resolution.
• Mempelajari penggunaan residual learning dan upsampling dalam rekonstruksi gambar.
• Menyiapkan evaluasi yang meninjau kesamaan struktur sekaligus kualitas perseptual.

Arsitektur model

Generator menggunakan konvolusi awal 9 x 9 dan aktivasi PReLU, dilanjutkan residual block serta long skip connection. Struktur ini membantu mempertahankan informasi input sambil mempelajari fitur yang dibutuhkan untuk rekonstruksi.

PixelShuffle digunakan untuk menaikkan resolusi spasial. Lapisan keluaran membentuk gambar hasil rekonstruksi. Konfigurasi dasar menggunakan delapan residual block dan 64 kanal fitur.

Discriminator menggunakan blok konvolusi dengan kapasitas fitur yang meningkat, downsampling, adaptive pooling, dan classification head. Pada pelatihan adversarial, discriminator memberikan sinyal pembelajaran terhadap karakteristik visual keluaran generator.

Persiapan eksperimen

Eksperimen menggunakan DIV2K untuk kajian super-resolution. Persiapan mencakup pasangan input beresolusi rendah dan target beresolusi tinggi, konfigurasi skala, serta pemisahan data evaluasi.

Implementasi generator mendukung faktor skala 1, 2, dan 4, dengan default 2. Konfigurasi 4x menggunakan dua tahap upsampling. Faktor skala dan checkpoint harus sesuai agar perbandingan input serta output dapat diinterpretasikan dengan benar.

Pendekatan pelatihan menggabungkan pembelajaran adversarial dengan penilaian perseptual berbasis fitur VGG.

Evaluasi kualitas

Evaluasi dirancang menggunakan:

• PSNR: membantu mengukur kesalahan rekonstruksi pada tingkat piksel.
• SSIM: membantu menilai kesamaan struktur antara rekonstruksi dan target.
• Perbandingan visual: meninjau tekstur, ketajaman, serta artefak yang mungkin tidak terwakili dengan baik oleh satu metrik.

Perbandingan yang dapat direproduksi memerlukan faktor skala, proses degradasi, split, checkpoint, dan pengaturan evaluasi yang konsisten. Skor benchmark belum disajikan sebagai hasil akhir pada studi kasus ini.

Hasil implementasi dan batasan

Hasil implementasi mencakup arsitektur generator residual, discriminator adversarial, dukungan beberapa faktor skala, dan alur eksperimen berbasis PyTorch.

Detail yang dihasilkan model merupakan rekonstruksi berdasarkan pola yang dipelajari. Penggunaan pada kebutuhan yang menuntut ketepatan informasi visual memerlukan peninjauan khusus, karena detail yang tampak meyakinkan dapat berbeda dari objek aslinya.

Pengembangan berikutnya

Prioritas berikutnya adalah melengkapi perbandingan terukur dengan baseline interpolasi, menautkan setiap contoh visual ke checkpoint dan input asal, serta memeriksa keseimbangan antara metrik distorsi dan kualitas perseptual.

Dokumentasi eksperimen juga perlu mempertahankan konfigurasi pelatihan dan evaluasi agar perubahan model dapat dibandingkan secara konsisten.

Kode dan dokumentasi

• Kode proyek super-resolution
• Implementasi generator dan discriminator