Improving Image Quality using High Dynamic Range and Aesthetics Assessment
Améliorer la qualité d'images grâce à l'imagerie à grande gamme dynamique et l'évaluation d'esthétique
Résumé
To cope with the increasing amount of visual content available, it is important to devise automatic processes that can sort, improve, compress or store images and videos. In this thesis, we propose two different approaches to software-based image improvement.
First, we propose a study on existing aesthetics assessment algorithms. These algorithms are based on supervised neural networks. We have collected several datasets of images, and we have tested different models using these images.We report here the performances of such networks, as well as an idea to improve the already trained networks. Our study shows that the features needed to accurately predict the aesthetics of competitive and professional are different but can be learned simultaneously by a single network.
In a second time, we propose to work with High Dynamic Range (HDR) images. We present here a new operator to increase the dynamic range of images called HDR-LFNet, that merges the output of existing operators and therefore, consists in far fewer parameters. Besides, we evaluate our method through objective metrics and a user study. We show that our method is on-par with the state-of-the-art according to objective metrics, but is preferred by observers during the user study, while using less resources overall.
Pour traiter la grande quantité de données visuelles disponible, il est important de concevoir des algorithmes qui peuvent trier, améliorer, compresser ou stocker des images et des vidéos. Dans cette thèse, nous proposons deux approches différentes pour améliorer la qualité d’images.
Tout d’abord, nous proposons une étude des méthodes d’évaluation automatique de l’esthétique. Ces algorithmes sont basés sur des réseaux de neurones supervisés. Nous
avons récolté des images de différents types, puis nous avons utilisé ces images pour tester des modèles. Notre étude montre que les caractéristiques nécessaires pour évaluer précisément les esthétiques de photographies professionnelles ou compétitives sont différentes, mais qu’elles peuvent être apprises par un seul et unique réseau.
Enfin, nous proposons de travailler sur les images à grande gamme dynamique (High Dynamic Range, HDR en anglais). Nous présentons ici un nouvel opérateur pour augmenter la gamme dynamique d’images standards, appelé HDR-LFNet. Cet opérateur fusionne la sortie de plusieurs algorithmes préexistants, ce qui permet d’avoir un réseau plus léger et plus rapide. Nous évaluons les performances de la méthode proposée grâce à desmétriques objectives, ainsi qu’une évaluation subjective. Nous prouvons que notre méthode atteint des résultats similaires à l’état de l’art en utilisant moins de ressources.
| Origine | Fichiers produits par l'(les) auteur(s) |
|---|
