Pemanfaatan Generative Network: Peningkatan Kualitas Citra Digital dengan Pendekatan Super-Resolution
Perkembangan Generative Adversarial Networks (GAN) berkembang sangat pesat khususnya dalam ranah super-resolution. Perkembangan pesat ini menyebabkan munculnya berbagai model yang bersifat generalis maupun spesialis dalam peningkatan resolusi citra. Namun, permasalahan mendasar terletak pada trade-off yang dimiliki setiap model. Penelitian ini bertujuan untuk meminimalisir trade-off tersebut dengan menggabungkan beberapa arsitektur generative model seperti SRVGGNetCompact dan RRDB, serta model khusus spesialis citra wajah GFPGAN, dalam sebuah pipeline inferensi yang dapat diakses melalui antarmuka web dan ekstensi browser sehingga dapat diakses pengguna awam sekalipun. Penelitian ini melibatkan dataset Photoshoot ITERA vol.1 & 2, arsip pribadi, serta hasil scrapping dari Google Images. Transfer-learning dan fine-tuning diterapkan pada arsitektur generative model tersebut, diikuti dengan pengembangan pipeline inferensi. Pipeline ini memanfaatkan classifier (SqueezeNet) untuk memahami fitur pada citra dan mengklasifikasikan jenis citra masukan, memungkinkan pemilihan model yang paling tepat untuk memproses gambar tersebut. Temuan penelitian menunjukkan bahwa RRDB memiliki nilai tertinggi pada SSIM (0.8778) dan PSNR (29.04dB), sementara SRVGGNetCompact memiliki PSNR (28.63dB) dan SSIM (0.8743). Walaupun begitu, SRVGGNetCompact unggul dalam waktu inferensi. Selain itu, Turing test dilakukan untuk mengukur sejauh mana hasil citra yang dihasilkan dapat membingungkan partisipan manusia, dengan hasil 56.3% menjawab benar dan 43.7% terkecoh dari 380 pasangan gambar oleh 38 partisipan.
Kata Kunci: Generative network, trade-off, fine-tuning, pipeline, antarmuka web, ekstensi browser.
URI
https://repo.itera.ac.id/depan/submission/SB2401230074
Keyword
Generative network trade-off fine-tuning pipeline antarmuka web ekstensi browser