Найти

Результаты поиска

• МЕТОД ГЕНЕРАЦИИ ШУМА ПО НАБОРУ ЗАШУМЛЕННЫХ ИЗОБРАЖЕНИЙ БЕЗ ЧИСТЫХ ПРИМЕРОВ

  А.С. Коваленко , Я. М. Демяненко

  243-254

  2025-11-10

  Аннотация ▼

  Предлагается новый метод генерации шума по зашумленным изображениям без необходимости использования выровненных пар чистых и зашумленных данных. В отличие от традиционных подходов, требующих наличия согласованных наборов изображений или априорных моделей шума, разрабатываемый метод позволяет моделировать сложные характеристики шума, присущие конкретным КМОП‑сенсорам, основываясь исключительно на наблюдаемых зашумленных данных. Для синтеза шума используется генеративно‑состязательная архитектура
  U-Net-подобного типа, построенная на базе StyleGANv2 с модифицированным дискриминатором, учитывающим параметры камеры и исходных изображений. Основное внимание уделяется сохранению пространственно‑цветовой структуры изображения при генерации шума, что достигается введением специализированной функции потерь, сохраняющей характеристики цветопередачи и текстурных деталей. Предлагаемый подход позволяет обучать генератор шума в условиях полного отсутствия пар чистых и зашумленных изображений, что особенно актуально при работе с реальными данными, полученными с различных камер и в различных условиях освещения. В экспериментальной части проведен подробный сравнительный анализ качества синтезированных изображений по метрикам PSNR и SSIM, а также оценка распределения шума на основе статистических характеристик интенсивности и спектрального состава. Демонстрируется, что синтезированный набор изображений, созданный предложенным методом, может эффективно использоваться как самостоятельный тренировочный корпус для нейросетей подавления шума, а также в комбинации с реальным набором SIDD для повышения точности моделей подавления шума. Результаты показали, что комбинированное обучение на объединенном множестве сгенерированных и реальных примеров обеспечивает рост среднего PSNR на 1.5 дБ по сравнению с существующими методами, основанными на выровненных данных. При этом отсутствует зависимость от специфических оптических характеристик конкретного сенсора камеры, что существенно расширяет область применения разработанного метода. Полученные результаты подтверждают применимость предложенного подхода в задачах синтеза и подавления реалистичного шума в условиях отсутствия чистых эталонных изображений, а также открывают перспективы для дальнейших исследований в направлении адаптивной генерации шумовых моделей.

• МЕТОДИКА УМЕНЬШЕНИЯ ВЫБРОСА ПЕРЕХОДНОГО ПРОЦЕССА ЦИФРОВОМ ФИЛЬТРЕ НИЖНИХ ЧАСТОТ С УПРАВЛЯЕМОЙ ЧАСТОТОЙ СРЕЗА

  Аль-Карави Хуссейн Шукор Мукер, И.И. Турулин

  2022-08-09

  Аннотация ▼

  Цифровая обработка сигналов широко применяется в современной технике, в том
  числе в робототехнике, медицинской технике и т.д. Так, управляемые цифровые фильтры
  используются для устранения постоянной составляющей выходного сигнала на выходе
  аналого-цифрового преобразователя. Это также снижает уровень низкочастотных по-
  мех, разбросанных по оси частот слева от нижней границы спектра сигнала. В реальных
  ситуациях сигналы подвержены разнообразным помехам и помехам; однако применение
  фильтра может подавить эти шумы и произвести чистый сигнал. Под управляемостью
  понимается явная зависимость коэффициентов фильтра от частоты среза. В цифровом
  фильтре может возникнуть переходный процесс, на который указывает выброс сигнала.
  Изменение частоты среза во время операции фильтрации может вызвать это переходное
  событие. В этом отчете фильтр LPF Баттерворта используется, чтобы предложить
  стратегию компенсации для уменьшения этого выброса. Переходный процесс – это выброс
  (драйв) на временной диаграмме результатов. Этот драйв является последствием под-
  стройки коэффициентов (границ) фильтра в процессе фильтрации (это классифицируется
  как «настройка на лету»). С помощью программы MATLAB исследовался переходный про-
  цесс, возникающий в результате перестройки фильтра, и проверялись формулы компенса-
  ции этого переходного процесса. Установлено, что применение такой компенсации снижа-
  ет негативные последствия переходного процесса. Это уменьшение зависит от порядка
  фильтра, коэффициента настройки (соотношение частот среза до и после настройки) и
  момента настройки (для периодического сигнала).