Abstract:
Tek görüntüden Yüksek Dinamik Aralık (High Dynamic Range – HDR, YDA) görüntü yeniden yapılandırma, modern görüntü işleme alanında hâlen çözüm bekleyen önemli zorluklardan biridir. Düşük Dinamik Aralık (Low Dynamic Range – LDR, DDA) görüntülerde karşılaşılan pozlama yetersizliği, bilgi kaybının önlenmesi açısından ciddi bir engel oluşturmaktadır. Bu tez çalışmasında, çoklu pozlama sentezi esasına dayalı U-Net benzeri Kodlayıcı–Çözücü (Encoder–Decoder) mimarili bir YDA üretim sistemi temel alınarak, farklı Dikkat (Attention) mekanizmalarının bu yapıya entegrasyonu araştırılmıştır. Önerilen mimari, Otokodlayıcı (Autoencoder) tabanlı bir çerçevede yapılandırılmış; Uzamsal Dikkat (Spatial Attention), Kanalsal Dikkat (Channel Attention), Darboğaz Dikkat (Bottleneck Attention), Sıkıştırma–Uyarma Dikkat (Squeeze-and-Excitation – SE Attention) ve Öz Dikkat (Self-Attention) olmak üzere beş farklı dikkat mekanizması, ayrı ayrı model varyantları olarak sisteme entegre edilmiştir. Ayrıca, modele eklenen Pozlama Tutarlılığı Kaybı (Exposure Consistency Loss) başta olmak üzere farklı kayıp fonksiyonları ile performans iyileştirmeleri gerçekleştirilmiştir. Geliştirilen modeller, DrTMO veri kümesi kullanılarak eğitilmiş ve Tepe SinyalGürültü Oranı (Peak Signal-to-Noise Ratio – PSNR), Yapısal Benzerlik İndeksi (Structural Similarity Index – SSIM) ve Öğrenilmiş Algısal Görüntü Benzerliği (Learned Perceptual Image Patch Similarity – LPIPS) metrikleri üzerinden nicel olarak değerlendirilmiştir. Elde edilen sonuçlar, dikkat mekanizmalarının ve yeni kayıp fonksiyonlarının YDA üretim kalitesine önemli katkılar sağladığını; özellikle Uzamsal Dikkat tabanlı modelin hem yapısal doğruluk hem de algısal kalite açısından en yüksek performansı gösterdiğini ortaya koymaktadır. Bulgular, ablasyon analizi ve görsel karşılaştırmalar ile detaylı biçimde desteklenmiştir.
