Super Resolusi Citra Berbasis Diffusion Model dengan Pemanfaatan Garis

Lays, Eric Saputra (2025) Super Resolusi Citra Berbasis Diffusion Model dengan Pemanfaatan Garis. Masters thesis, Institut Teknologi Sepuluh Nopember.

Text 6025231020-Master_Thesis.pdf - Accepted Version Restricted to Repository staff only Download (7MB) | Request a copy

Abstract

Super resolusi citra merupakan teknik komputer untuk mengubah gambar dengan resolusi rendah menjadi gambar dengan resolusi lebih tinggi. Berbagai teknik super resolusi citra telah diterapkan, salah satunya adalah deep learning. Deep learning merupakan teknik komputer untuk memprediksi hasil dari suatu sistem dengan menggunakan tiga layer, yaitu: input layer, hidden layer, dan output layer. Deep learning telah diimplementasikan untuk menyelesaikan masalah gambar dengan resolusi rendah menjadi gambar dengan resolusi tinggi di bidang computer vision seperti image recognition. Model yang telah diimplementasikan dari metode deep learning adalah convolutional neural network (CNN). Metode lain dari super resolusi citra adalah Diffusion model. Diffusion model merupakan salah satu dari state-of-the-art model untuk menyelesaikan masalah Super Resolusi Citra. Diffusion model telah diterapkan dengan menggunakan residual shifting dengan menggunakan perhitungan matematika markov chain. Salah satu keterbatasan dari model tersebut adalah kurangnya penggunaan aspek garis dalam gambar seperti foto tepi jalan dan lapangan sepak bola.
Penelitian ini mengusulkan penambahan aspek garis pada suatu gambar untuk meningkatkan kualitas gambar yang diperbesar dengan teknik super resolusi citra. Pengembangan metode diffusion model adalah super resolusi citra dengan memperhatikan aspek garis dan warna. Gambar yang dihasilkan oleh usulan metode ini memiliki penampakan garis yang lebih baik daripada metode sebelumnya. Namun, warna yang dihasilkan dari metode tersebut kurang teroptimasi secara baik. Gambar yang dihasilkan oleh metode diffusion Model sebelum dan usualan digabung dan dioptimasi dengan memperhatikan aspek kanal warna YCbCr dari dua gambar tersebut. Hasil dari penggabungan dua gambar tersebut akan menghasilkan hasil yang lebih baik dibandingkan dengan metode sebelumnya terutama di aspek garis sehingga memiliki manfaat dalam restorasi gambar yang memerlukan aspek garis lebih banyak. Hasil eksperimen pada kualitas gambar menggunakan metrik NIQE menunjukkan hasil yang lebih dengan skor 5.174 untuk metode baru dibandingkan dengan skor 5.623 untuk metode sebelumnya.
==========================================================================================================================================
Image super resolution is a computer technique for converting low-resolution images into higher-resolution images. Various image superresolution techniques have been applied, one of which is deep learning. Deep learning is a computer technique for predicting the outcome of a system using three layers: input layer, hidden layer, and output layer. Deep learning has been implemented to solve the problem of converting low-resolution images into high-resolution images in the field of computer vision, such as image recognition. The model that has been implemented from the deep learning method is the convolutional neural network (CNN). Another method for image superresolution is the Diffusion model. The Diffusion model is one of the state-of-the-art models for solving the problem of Image Superresolution. The Diffusion model has been implemented using residual shifting using Markov chain mathematical calculations. One limitation of this model is the lack of use of line aspects in images such as roadside photos and soccer fields.
This study proposes the addition of line aspects to an image to improve the quality of enlarged images using image superresolution techniques. The development of the diffusion model method is an image superresolution by considering line and color aspects. The image produced by this proposed method has a better line appearance than the previous method. However, the resulting color from this method is less well optimized. The images produced by the previous and proposed diffusion model methods are combined and optimized by considering the YCbCr color channel aspects of the two images. The results of combining the two images will produce better results compared to the previous method, especially in the line aspect, so it has benefits in image restoration that requires more line aspects. Experimental results on image quality using the NIQE metric show better results with a score of 5,174 for the new method compared to a score of 5,623 for the previous method.

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	Deep Learning, Diffusion model, Image Super Resolution, Markov Chain, Neural Network, YCbCr Color Space.
Subjects:	T Technology > TA Engineering (General). Civil engineering (General) > TA1637 Image processing--Digital techniques. Image analysis--Data processing.
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Informatics Engineering > 55101-(S2) Master Thesis
Depositing User:	Eric Saputra Lays
Date Deposited:	31 Jul 2025 06:54
Last Modified:	31 Jul 2025 06:54
URI:	http://repository.its.ac.id/id/eprint/124931

Actions (login required)

View Item