Abstract:
Bilgisayarlı görü uygulamalarının başarımında ve insan görsel memnuniyetinde görüntülerin net ve gerçeğe yakın olmasının önem arz etmesi görüntü kalitesi iyileştirme çalışmalarına olan ihtiyacı artırmıştır. Görüntü kalitesi iyileştirme çalışmalarının çoğunluğu gürültü giderme problemi üzerine yoğunlaşmıştır. Bu problem; görüntü yakalama, sıkıştırma ve aktarma gibi farklı kaynaklardan dolayı oluşabilmekte ve bu durumun üstesinden gelmek için farklı çözüm yaklaşımları denenerek uzunca bir süre çalışmalar yapılmıştır. Bu çalışmada, gürültü gidermede başarılı performans sergileyen derin öğrenme tabanlı bir yaklaşım olan Evrişimli Sinir Ağ tabanlı Hızlı ve Esnek Gürültü Giderme modeli (FFDNet) temel alınmış ve FFDNet’in gürültü giderme yeteneğini iyileştirmek amacıyla mimariye Evrişimsel Blok Dikkat Modülü (CBAM) dahil edilmiştir. CBAM modülü iki ayrı dikkat mekanizması içermekte olup FFDNet mimarisine dahil edilmesiyle Evrişimsel Sinir Ağlarının (CNN) temsil gücünü artmıştır. FFDNet mimarisi üzerinde ablasyon çalışmaları yapılmış ve CBAM modülünün yalnızca son katmana eklendiğinde başarılı sonuç verdiği görülmüştür. Önerilen yöntem ile farklı seviyelerde gürültü değerleriyle deneyler yapılmış ve nicel ölçümlerde PSNR, SSIM ve LRI metriklerinde iyileşmeler elde edilmiştir. Elde edilen görüntülerin görsel kalitesi incelendiğinde önerilen yöntemin hedef görüntülere daha yakın sonuçlar oluşturduğu gözlemlenmiştir.
