Наведено порівняльний аналіз сучасних методів суперроздільної здатності (Super Resolution, SR), що підвищують точність розпізнавання облич у системах відеоспостереження. Низька якість зображень, отриманих з камер спостереження, є значною перешкодою для ефективної ідентифікації осіб, що робить застосування SR-методів особливо актуальним.
Проаналізовано як класичні методи інтерполяції (бікубічна інтерполяція), так і методи на основі глибокого навчання, зокрема згорткові нейронні мережі (SRCNN) та генеративно-змагальні мережі (ESRGAN, Real-ESRGAN, FSRNet). Оцінка методів проводилася за такими критеріями, як точність (PSNR, SSIM), швидкість обробки, вимоги до обчислювальних ресурсів та наявність готових реалізацій. Дослідження показало, що методи на основі глибокого навчання значно перевершують традиційні підходи за якістю реконструкції, особливо у відновленні дрібних деталей та текстур, важливих для розпізнавання облич.
Встановлено, що Real-ESRGAN є одним із найбільш перспективних методів для практичного застосування завдяки його здатності ефективно обробляти реальні зображення низької якості, а FSRNet пропонує оптимальний баланс між точністю та швидкістю для задач розпізнавання облич. Обґрунтовано вибір цих методів як найбільш перспективних та окреслено напрями подальших досліджень, що охоплюють оптимізацію існуючих алгоритмів, адаптацію до специфічних умов зйомки та розробку комплексних end-to-end систем розпізнавання облич на основі SR. Результати дослід- ження підкреслюють важливість застосування SR-методів для підвищення ефективності систем безпеки, що працюють в умовах обмеженої якості зображень.
- Dong C., Loy C. C., He K., Tang X. Image Super-Resolution Using Deep Convolutional Networks. IEEE Transactions on Pattern Analysis and Machine Intelligence. 2016. Vol. 38. 295-307. Doi: 10.1109/TPAMI.2015.2439281.
- Wang X., Yu K., Dong C., Loy C. C. ESRGAN: Enhanced Super-Resolution Generative Adversarial Networks, ECCV Workshops. 2018. URL: https://arxiv.org/abs/1809.00219 (Accessed: 17 January 2025).
- Aakerberg A., Nasrollahi K., Moeslund T. B. Real-World Super-Resolution of Face-Images from Surveillance Cameras, arXiv preprint arXiv:2102.03113. 2021. Available at: https://arxiv.org/abs/2102.03113 (Accessed: 17 January 2025).
- Singh N., Rathore S. S., Kumar S. Towards a super-resolution based approach for improved face recognition in low-resolution environment, Multimedia Tools and Applications. 2022. Doi: 10.1007/s11042-022- 13160-z (Accessed: 17 January 2025).
- Chen Y., Tai Y., Liu X. FSRNet: End-to-End Learning Face Super-Resolution with Facial Priors, CVPR. 2018. Available at: https://openaccess.thecvf.com/content_cvpr_2018/html/Chen_FSRNet_End-to-... CVPR_2018_paper.html.
- Wang X., Chan K. C., Yu K., Dong C., Loy C. C. Real-ESRGAN: Training Real-World Blind Super- Resolution with Pure Synthetic Data, ICCV Workshops. 2021. Available at: https://arxiv.org/abs/2107.10833 (Accessed: 17 January 2025).
- Schroff F., Kalenichenko D., Philbin J. FaceNet: A Unified Embedding for Face Recognition and Clustering, CVPR. 2015. Available at: https://arxiv.org/abs/1503.03832 (Accessed: 17 January 2025).
- Deng J., Guo J., Xue N., Zafeiriou S. ArcFace: Additive Angular Margin Loss for Deep Face Recognition, CVPR. 2019. Available at: https://arxiv.org/abs/1801.07698 (Accessed: 17 January 2025).
- Wang Z., Chen J., Hoi S. C. Deep Learning for Image Super-Resolution: A Survey/ IEEE Transactions on Pattern Analysis and Machine Intelligence. 2020. Vol. 43. 3365–3387. Doi: 10.1109/TPAMI.2020.2982166.
- Park S., Kim J., Lee J. Super-Resolution for Surveillance Images. Applied Sciences. 2021. Vol. 11. 942. Available at: (link) (Accessed: 17 January 2025).
- Wang X., Li J., Luo Z. Real-World Super-Resolution for Recognition Tasks. IEEE Access. 2022. Vol. 10. 63421–63430. Doi: 10.1109/ACCESS.2022.3185525.
- Kim S., Choi H., Jung K. Face Super-Resolution Using Deep Learning. Pattern Recognition Letters. 2023. Vol. 163. 53–61. Doi: 10.1016/j.patrec.2023.02.005.