End-to-end learned image compression with normalizing flows for latent space enhancement

---

Tezin Türü: Yüksek Lisans

Tezin Yürütüldüğü Kurum: Orta Doğu Teknik Üniversitesi, Fen Bilimleri Enstitüsü, ELEKTRİK-ELEKTRONİK MÜHENDİSLİĞİ ANABİLİM DALI, Türkiye

Tezin Onay Tarihi: 2022

Tezin Dili: İngilizce

Öğrenci: FATİH YAVUZ

Danışman: FATİH KAMIŞLI

Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu

Özet:

Öğrenmeye dayalı görüntü sıkıştırma yöntemleri yakın geçmişte kayda değer miktarda dikkat çekmiş ve yaygın kullanılan pek çok görüntü sıkıştırma metodolojisini aşarak ümit vadeden bir başarım ortaya koymuş bulunmaktadır. Öğrenmeye dayalı yöntemler; genel olarak girdi görselinin saklı bir şekilde temsilini sağlayan doğrusal olmayan bir analiz dönüşümünden, görselin nicelenmiş saklı temsilini tekrar görsel kümesine taşıyan bir sentez dönüşümünden ve saklı temsilin olasılık dağılımının modellenmesinden oluşmaktadır. Saklı temsilin olasılık dağılımının başarılı bir şekilde modellenmesi, öğrenmeye dayalı tekniklerin başarımında kritik öneme haizdir. Normalize eden akışların üretken modellemedeki başarısından ilham alan bu çalışma, normalize eden akışları kullanarak yaygın olarak bilinen, bu çalışma kapsamında referans alınan, öğrenmeye dayalı bir görüntü sıkıştırma sinir ağının saklı temsilinin olasılık dağılımının modellemesini ve bunun sonucu olarak da sıkıştırma başarımının geliştirilmesini amaçlayan bir çerçeve önermektedir. Normalize eden akışlar, bir dağılımdan başka bir dağılıma tersine çevrilebilir bir haritalama uygulamaktadır. Bu şekilde saklı temsilin olasılık dağılımının hedeflenen parametrik bir olasılık dağılımıyla daha iyi uyuşması sağlanabilmektedir. Önerilen sinir ağları uçtan uca eğitilmektedir ve referans sinir ağını oran-bozulma başarımında aşabilmektedir.