[Projeto DL] Aprendizado profundo para colorização de imagens

Índice

1. Introdução
2. Projeto de Aprendizado Profundo sobre Colorização de Imagens em Preto e Branco 2.1 Abordagem Supervisionada 2.2 Algoritmos GAN
3. Contextualização do Projeto 3.1 Motivação 3.2 Trabalhos Anteriores
4. Definindo o Problema 4.1 Conjunto de Dados 4.2 Representação da Imagem
5. Abordagem em Duas Etapas 5.1 Aprendizado Supervisionado 5.2 Melhorando o Desempenho com GANs
6. Arquitetura das GANs Utilizadas 6.1 DC GANs 6.2 LS GANs 6.3 W GANs
7. Superando o Desafio do Desbalanceamento do Treinamento
8. Truques Utilizados Durante o Treinamento
9. Resultados Obtidos 9.1 Métricas de Avaliação 9.2 Desempenho das Diferentes Abordagens e Arquiteturas
10. Considerações Finais 10.1 Possíveis Melhorias 10.2 Acesso aos Filmes Colorizados 10.3 Contato

Colorização de Imagens em Preto e Branco usando Aprendizado Profundo

A colorização de imagens em preto e branco é um desafio interessante na área de visão computacional e aprendizado de máquina. Neste projeto, apresentamos uma abordagem que utiliza técnicas de aprendizado profundo, mais especificamente, algoritmos de Redes Adversariais Generativas (GANs) para colorizar imagens em preto e branco.

1. Introdução

A colorização de imagens em preto e branco é uma tarefa que envolve a adição de cores a uma imagem monocromática, reproduzindo as cores originais da cena. Existem várias abordagens para resolver esse problema, e neste projeto, exploramos a combinação de aprendizado supervisionado e algoritmos GAN para obter melhores resultados.

2. Projeto de Aprendizado Profundo sobre Colorização de Imagens em Preto e Branco

2.1 Abordagem Supervisionada

Na primeira etapa do projeto, utilizamos uma abordagem supervisionada para reconstruir as imagens originais a partir de uma rede geradora. Treinamos uma rede neural convolucional para gerar imagens coloridas a partir de uma imagem em preto e branco. Utilizamos um conjunto de dados do GoogleNet para realizar esse treinamento e desenvolvemos um modelo que fosse capaz de reproduzir as cores corretas para cada imagem.

2.2 Algoritmos GAN

Na segunda etapa do projeto, utilizamos algoritmos GAN para melhorar o desempenho da abordagem supervisionada. O objetivo era permitir que o gerador aprendesse a criar imagens coloridas que fossem o mais realistas possíveis. Para isso, usamos a arquitetura de redes adversariais generativas, em que o gerador tenta "enganar" o discriminador produzindo imagens coloridas que parecem ser reais.

3. Contextualização do Projeto

3.1 Motivação

Este projeto teve como motivação a curiosidade em explorar a colorização de imagens em preto e branco. Além disso, a equipe compartilhava um interesse pessoal por fotografia artística e pela estética das imagens em preto e branco.

3.2 Trabalhos Anteriores

Existem várias abordagens anteriores para a colorização de imagens em preto e branco, incluindo a função de colorização disponível no Photoshop e o uso de redes neurais convolucionais para a classificação e regeneração de imagens. Buscamos aprimorar essas técnicas utilizando algoritmos GAN e técnicas de aprendizado profundo.

4. Definindo o Problema

4.1 Conjunto de Dados

Para treinar nosso modelo, utilizamos um conjunto de dados do GoogleNet, composto por diversas imagens em preto e branco. Essas imagens foram convertidas para o formato preto e branco e, em seguida, utilizadas como entrada para reconstruir a imagem original com o nosso modelo de aprendizado profundo.

4.2 Representação da Imagem

Optamos por utilizar a representação AAP (Adversarial Autoencoder with Perceptual Loss) das imagens, pois ela permite identificar apenas dois canais necessários para a imagem em preto e branco. Essa escolha nos ajudou a simplificar o processo de reconstrução da imagem colorida e a obter resultados mais satisfatórios.

5. Abordagem em Duas Etapas

Para alcançar os melhores resultados na colorização de imagens em preto e branco, adotamos uma abordagem em duas etapas: aprendizado supervisionado e uso de GANs.

5.1 Aprendizado Supervisionado

Na primeira etapa, utilizamos o aprendizado supervisionado para treinar um gerador básico a partir de uma imagem padrão. Esse treinamento foi simples, envolvendo apenas a escolha de imagens de treinamento e a reprodução de uma imagem padrão. Também foi necessário treinar outra rede neural para classificar se uma imagem era vetorizada ou não.

5.2 Melhorando o Desempenho com GANs

Para melhorar o desempenho do gerador e obter imagens coloridas mais realistas, utilizamos algoritmos GAN. Nesse contexto, a arquitetura DC GAN (Deep Convolutional GANs), LS GAN (Least Square GANs) e W GAN (Wasserstein GANs) foram exploradas. Cada uma dessas arquiteturas possui suas características e vantagens específicas.

(Continua...)