Image restoration with neural networks

Abstract

This undergraduate thesis condenses an 8 month-long study on deep image restoration which is a fast-growing field with many real-world applications. It includes a discussion on traditional image restoration, a review of 26 datasets, and a survey comprising 5 different image restoration tasks, i.e., deblurring, super-resolution, non-blind restoration, face-restoration, and video restoration. For each task, 2 neural network-based methods are described and compared. Moreover, this thesis discusses 3 experimental image restoration techniques which we have developed, specifically: Gradient Descent Deconvolution (GDDec) for non-blind deblurring, Super-Resolution Residual U-Net (SRRUNet) for super-resolution, and Our Non-Blind which is a non-blind framework. Finally, this thesis provides various research directions which contemplate each method discussed.

Este trabalho de graduação condensa um estudo de 8 meses sobre o processo de restauração de imagens utilizando técnicas de aprendizagem profunda: um campo em rápido crescimento com muitas aplicações no mundo real. O trabalho inclui uma discussão sobre a área de restauração de imagens, uma revisão de 26 bases de dados utilizadas para teste e treinamento de modelos e um estudo compreendendo 5 tarefas de restauração de imagens: remoção de borramento, super resolução, restauração não cega, restauração de rostos e restauração de vídeos. Para cada tarefa, 2 métodos que utilizam redes neurais são descritos e comparados. Além disso, esta teste discute 3 técnicas experimentais de restauração de imagens que elaboramos, especificamente: Gradient Descent Deconvolution (GDDec) para remoção não cega de borramento, Super-Resolution Residual U-Net (SRRUNet) para super-resolução, e Our Non-Blind para restauração não cega. Finalmente, esta tese fornece várias direções de pesquisa que contemplam cada método discutido.