ÜRETİCİ ÇEKİŞMELİ AĞLAR İLE BULANIK YÜZ GÖRÜNTÜLERİNİN İYİLEŞTİRİLMESİ

Abstract

Bu çalışma, ÜÇA (Üretici Çekişmeli Ağlar) kullanarak yüz görüntülerinin iyileştirilmesini incelemektedir. Konunun önemi, görüntü işleme ve yüz tanıma sistemlerinin geliştirilmesindeki potansiyeli içermektedir. Bu çalışmanın amacı, ÜÇA'ların yüz görüntülerinin kalitesini artırma konusundaki etkinliğini değerlendirmektir. Bu tezin hipotezleri, ÜÇA tabanlı yöntemlerin yüz görüntülerinin çözünürlüğünü artırma ve daha gerçekçi hale getirme konularında başarılı olacağını öne sürmektedir. Örneklem, 70000 farklı yüz görüntüsünden oluşmaktadır ve örneklem büyüklüğü, bu çalışmanın ana veri kaynağını temsil etmektedir. Yöntem, öncelikle ÜÇA modelinin oluşturulmasını ve eğitimini içermektedir. ÜÇA, öğrenme süreci boyunca gerçek görüntüleri taklit etmeye çalışan bir üretici ve bu görüntülerin gerçeklik derecesini değerlendiren bir ayrımcı ağdan oluşmaktadır. Çalışmanın bulguları, ÜÇA'ların yüz görüntülerini daha yüksek çözünürlükte ve daha gerçekçi hale getirme konusundaki etkinliğini göstermektedir. Bu, yüz tanıma sistemlerinin performansını artırabilir ve medikal görüntüleme uygulamalarında daha keskin teşhisler yapma potansiyeli sunar. Üretilen bilgi, ÜÇA tabanlı yöntemlerin yüz görüntülerinin iyileştirilmesindeki önemini vurgulamaktadır.

This study examines the enhancement of facial images using GAN (Generative Adversarial Network). The significance of the topic lies in its potential for improving image processing and facial recognition systems. The aim of this study is to evaluate the effectiveness of GANs in enhancing the quality of facial images. The hypotheses of this thesis propose that GAN-based methods are successful in increasing the resolution and realism of facial images. The sample consists of 70000 different facial images, representing the primary data source for this study. The method primarily involves the creation and training of the GAN model, which consists of a generator striving to mimic real images and a discriminator network assessing the realism of these images. The findings of the study demonstrate the effectiveness of GANs in producing higher-resolution and more realistic facial images, potentially improving the performance of facial recognition systems and enabling sharper diagnostics in medical imaging applications. The generated knowledge underscores the significance of GAN-based methods in enhancing facial images.