Optimización de resolución de imágenes digitales usando autómatas celulares y redes neuronales artificiales

Abstract

En el presente trabajo de tesis se propone un modelo de aumento de resolución de imágenes usando autómatas celulares y redes neuronales convolucionales, optimizando el uso de recursos computacionales mediante un conjunto de datos reducido. Los autómatas celulares se emplearon para detectar bordes y fondos en las imágenes, proporcionando una representación simplificada pero descriptiva de los bordes de los objetos. Estas imágenes se utilizaron como una transformación intermedia entre dos redes neuronales convolucionales para ampliar la resolución de las imágenes. Las redes fueron entrenadas por separado y luego combinadas utilizando un esquema similar a una red generativa condicional para perfeccionar el modelo. Se trabajó con un conjunto de datos de 100 imágenes y parches de 128x128 píxeles para optimizar el procesamiento. Aunque algunas imágenes mostraron cambios de luminosidad al combinar los parches, se desarrollaron tres métodos para difuminar e interpolar los parches, resolviendo este inconveniente. El modelo fue evaluado con métricas como MSE, PSNR, SSIM y DISTS, y se comparó con el modelo ESRGAN en seis conjuntos de datos. Los resultados mostraron que el modelo propuesto alcanzó mejoras similares a ESRGAN en la mayoría de los conjuntos y destacó en la detección y reconstrucción de bordes, aunque mostró un rendimiento inferior en la reconstrucción de texturas.