Tô màu cho ảnh xám dùng mạng nơ-ron tích chập

Chỉ số đề mục

Lĩnh vực nghiên cứu

Vải, gồm cả sợi, màu và thuốc nhuộm tổng hợp

Dạng tài liệu

Tác giả

Đồng Quốc Tranh, Hồ Phước Tiến, Trần Thị Minh Hạnh⁽¹⁾

Nhan đề

Tô màu cho ảnh xám dùng mạng nơ-ron tích chập

Nhan đề tiếng anh

Deep convolutional neural network based colorization

Nguồn trích

Tạp chí Khoa học và Công n ghệ (Đại học Đà Nẵng)

Năm xuất bản

2020

Số

7

Trang

79-83

ISSN

1859-1531

Từ khóa

Tô màu, Học sâu, Mạng residual, Chất lượng ảnh

Từ khóa tiếng anh

Colorization, Convolutional neural network, Residual network, Image quality

Tóm tắt

Tô màu cho ảnh xám có ý nghĩa quan trọng trong việc phục hồi ảnh cũ và làm cho ảnh sinh động hơn. Gần đây với sự thành công của mạng nơ-ron nhiều lớp trong lĩnh vực thị giác máy tính, mạng nơ-ron tích chập nhiều lớp cũng mang lại những kết quả tích cực đối với bài toán tô màu. Tuy nhiên, các nghiên cứu trước đây thường tập trung vào một tập dữ liệu nào đó và ít quan tâm đến sự tác động của các bộ dữ liệu khác nhau đến kết quả thu được. Bài báo này sẽ xây dựng và đánh giá các mô hình tô màu khác nhau trên nhiều tập dữ liệu, dựa trên các tiêu chí về chất lượng ảnh. Kết quả thực nghiệm thể hiện sự hiệu quả của mô hình mạng residual trong bài toán tô màu. Đồng thời, bài báo còn cho thấy việc lựa chọn tập dữ liệu huấn luyện phù hợp sẽ góp phần xây dựng một mô hình tô màu hiệu quả.

Tóm tắt tiếng anh

Colorization is of great importance in restoring old gray pictures and making them more vivid. Thanks to the recent success of deep neural networks in various problems of computer vision, deep convolutional neural network has also been proposed for colorization and has brought about promising results. Yet previous works usually focus on some dataset and do not consider the influence of training data. This paper builds and evaluates many colorization models on various datasets according to criteria of image quality. The experimental results show interesting performance of residual networks in colorization. Moreover, an appropriate choice of training data may help to build an effective colorization model.

Kí hiệu kho

TTKHCNQG, CVv 465

File toàn văn

Xem toàn văn