Enhancing the resolution of human face images using neural networks

U radu je razvijeno nekoliko dubokih konvolucijskih i generativnih suparničkih mreža. Prilikom treniranja, isprobavane su različite funkcije gubitka kako bi se istražio njihov utjecaj na performanse modela. Metrike PSNR i SSIM su korištene kao kvantitativne mjere za ocjenu kvalitete generiranih slika. Kroz eksperimente, utvrđeno je da funkcije gubitka igraju ključnu ulogu u postizanju visoke kvalitete generiranih slika. Usporedbom različitih funkcija gubitka, uočene su razlike u iznosu metrika, kao i u izgledu generiranih slika. Posebnu pozornost privukla je mreža GAN-VGG22 koja koristi izlaz sloja block3_conv4 te postiže dobre rezultate. Na kraju je razvijena web aplikacija koja koristi mrežu GAN-VGG22 za povećanje razlučivosti slika.This paper presents the development of several deep convolutional and generative adversarial networks. The impact of different loss functions on model performance was investigated during the training process, with PSNR and SSIM metrics used for quantitative evaluation of the generated images quality. Experimental results revealed the crucial role of loss functions in achieving high-quality generated images, as evidenced by variations in metric values and the visual appearance of the generated images. Special attention was attracted by the GAN-VGG22 network, which uses the output of the block3_conv4 layer and achieves good results. Finally, a web application was developed that uses the GAN-VGG22 network to increase the resolution of images