Color face super-resolution reconstruction with higher-order singular value decomposition

การสร้างคืนภาพสีหน้าคนความละเอียดสูงยิ่งด้วยการแยกค่าเอกฐานอันดับสูง

Name: Krissada Asavaskulkeit

LCSH: Face

LCSH: Image processing

LCSH: Imaging systems

Abstract: This dissertation proposes two novel frameworks for color face super-resolution reconstruction with higher-order singular value decomposition in four basic color systems such as RGB , YCbCr , HSV and CIELAB color system. The first framework is based on the linear regression model with MPCA since a color face image can be naturally described as tensors or multi-linear arrays. We find that the traditional method does not consider the correlation of data in each color channel. Therefore, there is an error in the face reconstruction process. In this dissertation, we investigate the performance of our proposed method in sense of effect of number of eigenvalue, effect of noise and complexity respectively and we can reconstruct the reasonable color face images which are compared with the ground truth color face images. In the second framework, we decompose each pair of low and high resolution training face images into a small patches and apply higher-order singular value decomposition in a tensor space. In color face reconstruction process, there are two steps : the first step tends to reconstruct a global face. Next step, the local detail is hallucinated from small overlapped patches. The experimental results from standard color facial database show that our second proposed framework can effectively reconstruct the color face images than the previous method. However, decomposing small patches in the training process will result in a more complicated process than that of the first framework.

Abstract: วิทยานิพนธ์ฉบับนี้เสนอการสร้างคืนเทนเซอร์ภาพสีหน้าคนความละเอียดสูงยิ่งด้วยการแยกค่าเอกฐานอันดับสูงบนพื้นฐานของระบบสีทั้ง 4 แบบได้แก่ ระบบสีRGB , ระบบสีYCbCr , ระบบสีHSV และระบบสีCIELAB จำนวน 2 วิธี วิธีแรกนั้นอาศัยแบบจำลองถดถอยร่วมกับ MPCA เนื่องจากภาพสีหน้าคนจะมีลักษณะที่เหมาะสมกับข้อมูลในปริภูมิเทนเซอร์ เราพบว่าในวิธีดั้งเดิมที่เคยมีการนำเสนอนั้น ไม่ได้คำนึงถึงความสัมพันธ์ของข้อมูลในแต่ละช่องสัญญาณสี ดังนั้นกระบวกการสร้างคืนภาพมีค่าความผิดพลาดเกิดขึ้น ซึ่งถ้าอาศัยวิธีที่เราได้นำเสนอในวิทยานิพนธ์ฉบับนี้ในแง่ของการพิจารณาผลกระทบของค่าลักษณะเฉพาะ, สัญญาณรบกวน, จำนวนภาพเทรนนิ่งและความซับซ้อนของอัลกอริทึม พบว่าเราจะสามารถสร้างภาพคืนความละเอียดสูงยิ่งได้ใกล้เคียงกับภาพต้นฉบับ ในส่วนของวิธีที่สองที่เราจะนำเสนอนั้น เราจะนำภาพหน้าคนที่เป็นภาพสีคู่ความละเอียดต่ำและความละเอียดสูงมาตัดแบ่งเป็นชิ้นย่อยๆ โดยจะพิจารณาในปริภูมิเทนเซอร์ด้วยการแยกค่าเอกฐานอันดับสูงในกระบวนการเทรนนิ่ง จากนั้นกระบวนการสร้างคืนภาพสีหน้าคนจะแบ่งเป็นสองขั้นตอนได้แก่ การสร้างภาพคืนในส่วนของโครงสร้างหลักของใบหน้าและขั้นตอนถัดมาคือการสร้างคืนในส่วนของโครงสร้างที่เป็นชิ้นย่อยๆเฉพาะที่ เราสามารถยืนยันได้จากผลการทดลองบนฐานข้อมูลมาตรฐานด้วยภาพสีหน้าคน พบว่าวิธีการที่เรานำเสนอขึ้นมาสามารถสร้างคืนภาพได้อย่างมีประสิทธิภาพเพิ่มขึ้นจากวิธีดั้งเดิม แต่การที่จะต้องนำภาพมาตัดออกเป็นชิ้นย่อยๆ ในกระบวนการเทรนนิ่งจะส่งผลให้เกิดกระบวนการคำนวณที่ซับซ้อนมากกว่ากระบวนการที่เรานำเสนอในวิธีแรก

Chulalongkorn University. Center of Academic Resources

Address: BANGKOK

Email: cuir@car.chula.ac.th

Name: Somchai Jitapunkul

Role: advisor

Created: 2010

Modified: 2014-02-21

Issued: 2014-02-21

วิทยานิพนธ์/Thesis

application/pdf

eng

DegreeName: Doctor of Engineering

Level: Doctoral Degree

Descipline: Electrical Engineering

Grantor: Chulalongkorn University

ลำดับที่.	ชื่อแฟ้มข้อมูล	ขนาดแฟ้มข้อมูล	จำนวนเข้าถึง	วัน-เวลาเข้าถึงล่าสุด
1	Krissada_as.pdf	9.4 MB	12	2019-12-02 00:33:50

ใช้เวลา

0.018232 วินาที