Geração de imagens em super resolução com Redes Geradoras Adversárias

Abstract

The generation of new samples is a current challenge of artificial intelligence. Generator models have tried for a long time to solve this problem, but the complexity faced was such that few models were developed. With increasing computational power and deep learning techniques, this area flourished again. The Generator Adversarial Networks (GANs) represent the state of the art generator models, providing high quality samples. However, the quality of existing materials affects the full understanding of this technique. In this work, all the main theoretical and practical aspects of these models are seen, with the realization of experiments to support and validate the theory. Finally, a GAN state of the art is used to solve a current problem: super-resolution imaging, field that enhance the resolution of an imaging system.

A geração de novas amostras é um desafio atual da inteligência artifical. Os modelos geradores tentam há muito tempo resolver esse problema, porém, a complexidade enfrentada era tamanha que poucos modelos foram desenvolvidos. Com o aumento do poder computacional e das técnicas de aprendizagem profunda, essa área floresceu novamente. As Redes Geradoras Adversárias (RAGs) representam o estado da arte dos modelos geradores, fornecendo amostras de alta qualidade. Entretanto, a qualidade dos materiais existentes afeta o pleno entendimento dessa técnica. Neste trabalho, são vistos os principais aspectos teóricos e práticos desses modelos, com a realização de experimentos para suportar e validar a teoria. Por fim, uma RAG estado da arte é utilizada para resolver um problema atual: a super resolução de imagens, área que aprimora a resolução de um sistema de imagens.