נושא הפרוייקט
מספר פרוייקט
מחלקה
שמות סטודנטים
אימייל
שמות מנחים
הסרת רעש בתמונות סטראוסקופיות באמצעות למידה עמוקה לא מפוקחת
Denoising stereo images by unsupervised deep learning
תקציר בעיברית
פרויקט זה בוחן את היישום של Noise2Noise עם טכניקות מבוססות התאמת טלאים (patch match) להפחתת תמונות סטריאו בהקשר של ראיית סטריאו. Noise2Noise היא מסגרת למידה עמוקה לא מפוקחת המייתרת את הצורך בתמונות מקור נקיות במהלך האימון. על ידי אימון מודל הורדת הרעש על זוגות של תמונות סטריאו רועשות, המודל לומד להסיר רעשים ולשפר את איכות התמונה. טכניקות התאמת טלאים (patch match) משולבות כדי לנצל את הקוהרנטיות המרחבית והדמיון המבני בין תיקוני תמונה מקומיים. הפרויקט כולל איסוף מערך נתונים של תמונות סטריאו רועשות ויצירת זוגות רועשים מתאימים לאימון. מדדי הערכה כגון PSNR ו-SSIM משמשים כדי להעריך את הביצועים של ניקוי הרעש ושימור מידע סטריאו. התוצאות מדגימות את האפקטיביות של מסגרת Noise2Noise בשילוב עם התאמת טלאים (patch match) בהפחתת רעש, שיפור ראיית מערכת הסטריאו ועוזרת במשימות שונות. פרויקט זה תורם לפיתוח מערכות ראיית סטריאו חזקות מבלי להסתמך על נתונים נקיים או ידע מוקדם על מודל הרעש.
תקציר באנגלית
This project explores the application of Noise2Noise with patch-based techniques for denoising stereo images in the context of stereo vision. Noise2Noise is an unsupervised deep-learning framework that eliminates the need for clean reference images during training. By training a denoising model on pairs of noisy stereo images, the model learns to remove noise and enhance image quality. Patch-based techniques are incorporated to exploit the spatial coherence and structural similarities between local image patches. The project involves collecting a dataset of noisy stereo images and generating corresponding noisy pairs for training. Evaluation metrics such as PSNR and SSIM are used to assess the denoising performance and preservation of stereo information. The results demonstrate the effectiveness of the Noise2Noise framework combined with patch matching in reducing noise, improving stereo-system vision, and enhancing different tasks.