Zemas kvalitātes attēlu vektorizācijas uzlabošana ar mašīnmācīšanās tehnikām

Abstract

Šajā bakalaura darbā tiek pētītas metodes zemas kvalitātes attēlu vektorizācijas uzlabošanai, izmantojot mašīnmācīšanās tehnikas. Tradicionālie vektorizācijas algoritmi bieži vien nespēj efektīvi identificēt un saglabāt būtiskākās attēlu iezīmes, it īpaši strādājot ar zemas izšķirtspējas rastrgrafiku, kas noved pie nekvalitatīviem rezultātiem. Darba galvenais mērķis ir izpētīt faktorus, kas ietekmē zemas kvalitātes attēlu vektorizāciju esošajos algoritmos, un piedāvāt uzlabotu metodi, kas efektīvi risinātu šīs problēmas. Pētījumā tiek analizētas dažādas vektorizācijas pieejas, tostarp U-Net arhitektūras izmantošana attēlu segmentācijā.

This bachelor thesis explores methods for improving the vectorization of low-quality images using machine learning techniques. Traditional vectorization algorithms often fail to effectively identify and preserve key features of images, especially when dealing with low-resolution raster graphics, leading to poor quality results. The main objective of this paper is to investigate the factors that affect low-quality image vectorization in existing algorithms and to propose an improved method that would effectively address these problems. The study analyses different vectorization approaches, including the use of the U-Net architecture in image segmentation.