Deep learning for image super resolution

Super-resolution is a popular computer vision task that aims to enhance an image by increasing its resolution. The countless possibilities for applications with this technology and the recent success of deep learning in this field have encouraged a huge development, leading to more efficient and more effective methods. In this thesis I will explore the state-of-the-art of this technology, and I will test some of these applications, with particular interest to those regarding the non-visible spectrum. To do so, I present a new hyperspectral object detection dataset, consisting of 202 annotated images of apples in a bin picking situation. With this benchmark the benefits of super-resolution in such situation are demonstrated, with some models showing up to 24.8% mAP performance improvement in comparison to low resolution images.
La super-resolución es una popular tarea de visión que intenta mejorar la calidad de una imagen incrementando su resolución. Las innumerables aplicaciones de esta tecnología y el reciente éxito que ha cosechado el aprendizaje profundo en esta área han impulsado un enorme desarrollo de esta, logrando métodos cada vez más eficientes y efectivos. En esta tesis exploraré el estado del arte de esta tecnología, y pondré a prueba algunas de estas aplicaciones, con especial interés en aquellas centradas en el espectro no visible. Para lograrlo, presento el nuevo dataset hiperespectral de detección de objetos, compuesto de 202 imágenes etiquetadas de manzanas en situación de bin picking. Con este benchmark, se demuestran los beneficios de la super-resolución en dicha situación, con algunos modelos mostrando una mejoría de hasta un 24.8% mAP respecto a imágenes de baja resolución.
La super-resolució és una popular tasca de visió que intenta millorar la qualitat d’’una imatge incrementant la seva resolució. Les innumerables aplicacions d’aquesta tecnologia i el recent èxit que ha tingut l’aprenentatge profund en aquesta àrea han impulsat un enorme desenvolupament d’aquesta, aconseguint mètodes cada cop més eficients i efectius. En aquest tesis exploraré el estat del art d’aquest tecnologia, i posaré a prova algunes d’aquestes aplicacions, amb especial interès en aquelles centrades en el espectre no visible. Per aconseguir-ho, presento el nou data set hiperespectral de detecció d’objectes, composat de 202 imatges etiquetades de pomes en situació de bin picking. Amb aquest benchmark, es demostren els beneficis de la super-resolució en aquesta situació, amb alguns models mostrant una millora de fins al 24.8% mAP respecte imatges de baixa resolució.