Doktorsfyrirlestur í rafmagns- og tölvuverkfræði - Matthieu Muller

Doktorsefni: Matthieu Muller

Heiti ritgerðar: Samblanda hefðbundinna og gervigreindaraðferða fyrir enduruppbyggingu mynda með áherslu á litamynstursafkóðun (Hybrid Deep Learning Methods for Image Reconstruction: Application to Demosaicking)

Andmælendur:
Dr. Paolo Gamba, prófessor við University of Pavia, Ítalíu.
Dr. Jon Yngve Hardeberg, prófessor við Norwegian University of Science and Technology, Noregi.

Leiðbeinandi: Dr. Magnús Örn Úlfarsson, prófessor við Rafmagns- og tölvuverkfræðideild Háskóla Íslands.

Einnig í doktorsnefnd:
Dr. Mauro Dalla Mura, prófessor við University Grenoble-Alpes, Frakklandi.
Dr. Daniele Picone, nýdoktor við University Grenoble-Alpes, Frakklandi.

Dr. Lotta María Ellingsen, prófessor og deildarforseti Rafmagns- og tölvuverkfræðideildar HÍ stjórnar athöfninni.

Um er að ræða sameiginlega doktorsgráðu með University Grenoble-Alpes, Frakklandi. Doktorsvörnin fór fram í Frakklandi þann 10. desember síðastliðinn.

Ágrip

Myndvinnsla er notuð til að vinna merkingarbærar upplýsingar úr myndgögnum. Hún nýtist á fjölmörgum sviðum, allt frá læknisfræðilegri myndgreiningu til fjarkönnunar. Hráar myndir innihalda oft suð, eru óskýrar, og hafa ýmsa aðra galla vegna takmarkana myndavéla og umhverfis. Þetta gerir enduruppbyggingu (e. reconstruction) að lykilskrefi myndvinnslu. Enduruppbyggingaraðferðir skiptast í hefðbundnar og gervigreindaraðferðir. Hefðbundnar, líkanamiðaðar aðferðir, sem byggja á eðlis- og stærðfræðilegum lögmálum, eru túlkanlegar en ná oft ekki að fanga flækjustig þeirra galla og bjaga sem koma fyrir í raunverulegum myndgögnum. Djúpnám hefur á síðustu árum gjörbylt enduruppbyggingu mynda með því að læra varpanir frá skemmdum myndum yfir í hreinar myndir, en það krefst stórra gagnasafna, verulegs reikniafls og býður upp á takmarkaðan túlkanleika. Blönduð (hybrid) nálgun, sem sameinar líkanamiðaðar aðferðir og sveigjanleika tauganeta, miðar að því að vinna bug á þessum takmörkunum með auknum áreiðanleika, minni gagnakröfum og reikniafli. Þessi ritgerð fjallar um blandaðar aðferðir, með sérstakri áherslu á litamynstursafkóðun (e. demosaicking), þ.e. að endurgera litamyndir út frá myndgögnum þar sem hver myndeining hefur aðeins upplýsingar um einn lit. 

Um doktorsefnið

Matthieu Muller lauk M.Sc.-gráðu í hagnýtri stærðfræði við Háskólann Grenoble-Alpes í Grenoble í Frakklandi árið 2022, ásamt verkfræðiprófi frá verkfræðiskólanum Grenoble INP - Ensimag í Grenoble í Frakklandi sama ár. Rannsóknaráhugi hans nær meðal annars til merkja- og myndvinnslu, djúpnáms, blandaðra aðferða í myndvinnslu, sjálfstýrðs náms (e. self-supervised learning) og fjarkönnunar.