Введение 9
1. Теоретический обзор решаемой проблемы 11
1.1. Проблема суперразрешения 11
1.2. Обзор методов 14
1.3. Оценка качества моделей 15
1.4. Решаемая задача 17
2. Обзор реализуемой модели 18
2.1. Общий обзор реализуемой модели 18
2.2. Модуль удаления деградаций 20
2.3. Генеративный модуль 22
2.4. Модуль пространственного преобразования 24
2.5. Функционал качества модели 27
5 Финансовый менеджмент, ресурсоэффективность и ресурсосбережение.. 38
5.1. Предпроектный анализ 38
5.1.1. Потенциальные потребители результатов исследования 38
5.1.2. Анализ конкурентных технических решений с позиции
ресурсоэффективности и ресурсосбережения 40
5.1.3. SWOT-анализ 43
5.1.4. Оценка готовности проекта к коммерциализации 44
5.1.5. Методы коммерциализации результатов научно-технического
исследования 46
5.2. Инициация проекта 46
5.2.1. Цели и результат проекта 46
5.3. Планирование управления научно-техническим проектом 47
5.3.1. Иерархическая структура работ проекта 47
5.3.2. План проекта 48
5.3.3. Бюджет научного исследования 49
5.4. Определение ресурсной (ресурсосбережение), финансовой
эффективности исследования 54
5.4.1. Оценка сравнительной эффективности исследования 54
5.5. Вывод 57
ЗАДАНИЕ ДЛЯ РАЗДЕЛА 58
«СОЦИАЛЬНАЯ ОТВЕТСТВЕННОСТЬ» 58
6. Социальная ответственность 60
6.1. Введение 60
6.2. Производственная безопасность 60
6.2.1. Вредные производственные факторы 60
6.2.2. Опасные производственные факторы 68
6.3. Экологическая безопасность 72
6.4. Безопасность в чрезвычайных ситуациях 73
Заключение 75
Список использованной литературы 76
Приложение А 81
1. METHODS OVERVIEW 82
2. OVEWIEW OF ARCHITECTURE USED BY MODEL 83
2.1. Developing model brief overview 83
2.2. Degradation removal module 85
Приложение Б 94
Восстановление лиц является одним из частных случаев проблемы увеличения разрешения изображений. Проблема решает следующую задачу: имеется изображение, содержащее лицо человека, пострадавшее по неизвестным причинам, таким как: уменьшение разрешения изображения вследствие физических ограничений захватывающего устройства, размытие, полученное при получении изображения, артефакты сжатия и так далее; данное изображение далее используется для получения высококачественного изображения лица человека. Задача ещё более усложняется применительно к изображениям, полученным из аналоговых источников таких, как например плёночные фотоаппараты, вследствие более сложной деградации.
В предыдущих работах была использована генеративно состязательная сеть, которая занималась комплексным решением задачи увеличения разрешения изображений. Применительно к изображениям лиц, данная модель также показывала хорошие результаты, однако она была вычислительно сложной, вследствие своей более обобщённой задачи. Было принято решение рассмотреть более частный случай увеличения разрешения изображений, и перейти к задаче восстановления лиц. Это сложная обратная задача, так как существует большое количество возможных отображений деградировавших изображений лиц в высококачественные. Восстановление лиц также, как и увеличение разрешения изображений имеет множество применений.
В настоящее время было предложено большое количество методов, позволяющих получить высококачественное изображение лица из пострадавшего вследствие неизвестных деградаций [21, 22, 23, 24, 25, 26, 27]. Задача восстановления является частным случаем более общей: увеличение разрешения изображений. В предыдущих работах было использовано решение на основе генеративно состязательной сети. Предложенное в рамках данной работы программное решение будет основано на схожих с предыдущими работами принципах.
В данной работе представлен обзор некоторых методов восстановления изображений лиц, а также описана общая теория и концепции, используемые при решении данной задачи.
Представлена реализация генеративно-состязательной сети по реализации восстановления лиц.
Целью данной работы является реализация генеративно¬состязательной модели для повышения разрешения изображений лиц.
Для достижения поставленной цели, в настоящей работе решаются следующие задачи:
1. изучение проблемы восстановления лиц;
2. изучение метрик, используемых в задаче сверхразрешения;
3. изучение методов восстановления лиц на изображении;
4. изучение проблем производительности методов;
5. реализация генеративно-состязательной сети.
В работе был приведён обзор методов позволяющих увеличить разрешение лиц на изображениях, а также восстанавливать деградировавшие изображения. Все рассмотренные в работе методы используют модели глубокого обучения. Различаются подходы, которые они используют в модели обучения, так некоторые из них используют те детали, которые можно извлечь непосредственно из деградировавших изображений, другие же используют наработки других исследователей в области компьютерного зрения, в виде априорных знаний о структуре лиц.
В работе была реализована комплексная модель глубокого обучения, которая в своей основе представляет из себя генеративно состязательную сеть. В работе была подробно рассмотрена архитектура предложенной модели, а также детали её реализации. Кроме того, были рассмотрены технические детали структурных элементов реализованной модели. Также было дано теоретическое обоснование, того почему модель должна справляться со своей задачей. Результаты показали, что генеративно¬состязательные сети имеют существенный недостаток - их очень сложно обучать. Поэтому для получения хороших результатов необходимо провести достаточно большее число эпох обучения. Изображения, полученные на выходе модели, получились, на субъективный взгляд, относительно неплохими. Для оценки качества изображений были рассчитаны метрики PSNR и SSIM, которые показали, что обученная модель конкурентоспособна со своими аналогами DeblurGANv2, HiFaceGAN, DFDNet.
Был проведен анализ финансовой и ресурсной эффективности рассматриваемого проекта, который показал, что проект конкурентоспособен и эффективен в коммерциализации.
Выявлены возможные негативные факторы, которые могут возникнуть во время производства, и пути их решения.
