نوآوری در مدیریت برای توسعه پایدار

Kolnegar Private Media (Management Innovation for Sustainable Development)

3 آذر 1403 1:49 ب.ظ

فشرده سازی و ابزارهای توسعه هنر کامپیوتری

فشرده سازی و ابزارهای توسعه هنر کامپیوتری

9 آگوست 2024 -توسط دیوید بردلی، Inderscience-اعتبار: دامنه عمومی Pixabay/CC0

محققان یک ابزار فشرده‌سازی تصویر جدید را نشان داده‌اند که الگوریتم‌های بازگشتی را با شبکه‌های عصبی کانولوشنال (CNN) ترکیب می‌کند تا از سایر روش‌های فشرده‌سازی تصاویر از هنر کامپیوتری و طراحی تعامل بهتر عمل کند. این تحقیق در مجله International Journal of Computational Systems Engineering منتشر شده است.

هنر و طراحی دیجیتال به طور فزاینده‌ای بر حجم زیادی از داده‌های بصری متکی است، بنابراین فشرده‌سازی مؤثر تصویر برای کاهش نیازهای ذخیره‌سازی رایانه بدون به خطر انداختن کیفیت مهم است. Duan Song از دپارتمان هنرهای زیبا در کالج هنر حرفه ای هبی در شیجیاژوانگ، چین، الگوریتمی را پیشنهاد کرده است که با ادغام تکنیک های سنتی و مدرن، مشکلات را حل می کند.

الگوریتم های بازگشتی، که مسائل پیچیده را از طریق اعمال مکرر قوانین ساده می کنند. Song توضیح می دهد که این رویکرد با تجزیه یک تصویر به اجزای ساده تر کار می کند. با اعمال مکرر فرآیند می توان کیفیت را حفظ کرد.

ادغام CNN ها در رویکرد فشرده سازی بر اساس روشی است که چنین سیستم هایی در ابتدا از روشی که مغز انسان اطلاعات بصری را پردازش می کند الهام گرفته شده است. آنها به طور گسترده در یادگیری عمیق برای تشخیص و پردازش تصویر استفاده می شوند.

ادغام نوآورانه روش های بازگشتی سانگ با CNN به او این امکان را می دهد که بر برخی از محدودیت های تکنیک های فشرده سازی تصویر قبلی غلبه کند که معمولاً به دلیل پیچیدگی و مقیاس روزافزون داده های تصویر مدرن برای دستیابی به نسبت های فشرده سازی مفید تلاش می کنند.

Song این الگوریتم را روی دو مجموعه داده تصویری معروف Kodak1 و Kodak2 آزمایش کرده است تا عملکرد آن را ارزیابی کند. نتایج نشان می دهد که الگوریتم به طور مداوم میانگین مربعات خطا (MSE) را بین تصاویر اصلی و فشرده کاهش می دهد. MSE کمتر به معنای حفظ بهتر کیفیت تصویر است.

پس از 800 تکرار، الگوریتم کمترین MSE را در مقایسه با سایر روش ها به دست آورد و همچنین از نظر نسبت پیک سیگنال به نویز و شباهت ساختاری چند مقیاسی عملکرد خوبی داشت. این نتایج نشان می دهد که روش پیشنهادی می تواند تصاویر را به طور موثر و بدون افت کیفیت قابل توجهی فشرده کند.

این رویکرد در زمینه هنر کامپیوتری مفید خواهد بود، اما ممکن است در مدل سازی انیمیشن، طراحی رابط هنری و تصویربرداری پزشکی نیز مفید باشد.

https://techxplore.com

آیا این نوشته برایتان مفید بود؟

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *