Применение методов машинного обучения для восстановления поврежденных объектов на фотографии
- 1,2,3,4,5 Финансовый университет при Правительстве РФ (Москва, Россия)
Аннотация
Постановка проблемы. Восстановление повреждённых объектов на фотографиях является актуальной задачей в области обработки изображений и компьютерного зрения. Традиционные методы часто не обеспечивают достаточного качества при серьёзных повреждениях, поэтому требуется применение более эффективных подходов.
Цель. Повысить качество восстановления повреждённых объектов на фотографиях путём применения методов машинного обучения, включая глубокие нейронные сети, свёрточные нейронные сети и генеративно-состязательные сети.
Результаты. Проведён анализ предыдущих исследований, подтвердивший перспективность использования машинного обучения для решения данной задачи. Выбран источник данных, содержащий пары повреждённых и исходных изображений; выполнены их предобработка и аугментация. Построена модель на основе нейронной сети, проведено её обучение и сделано сравнение с другими методами. Экспериментально показано, что предложенный подход обеспечивает высокую точность восстановления и превосходит традиционные методы обработки изображений.
Практическая значимость. Полученные результаты могут быть использованы в различных областях для восстановления повреждённых снимков, в реставрации старых фотографий, в промышленности для оценки дефектов, а также в других сферах, где требуется автоматическое восстановление повреждённых объектов на изображениях.
- Поступила
- 04.09.2026
- Одобрена
- 14.09.2026
- Принята
- 01.10.2026
Для цитирования
Киселев А.Р., Окунева Э.А., Кочкаров Р.А., Сальников Е.А., Рябов П.Е. Применение методов машинного обучения для восстановления поврежденных объектов на фотографии // Динамика сложных систем - XXI век. 2026. Т. 20. № 5. С. 31−39. DOI: https://doi.org/10.18127/j19997493-202605-05
Список источников
- Gonzalez R.C., Woods R.E. Digital Image Processing. 4th ed. Pearson. 2018.
- Коклев П.С. Оценка стоимости компании с использованием методов машинного обучения // Финансы: теория и практика. 2022. Т. 26. № 5. С. 132–148.
- Дождиков А.В. Прогнозирование финансовой эффективности российского кинематографа с помощью многофакторной ансамблевой модели машинного обучения, тренированной на данных прошлых периодов // Финансы: теория и практика. 2025. Т. 29. № 6. С. 243–268.
- Goodfellow I., Bengio Y., Courville A. Deep Learning. MIT Press, 2016.
- Zhang K., Ren W., Luo W. et al. Deep Image Deblurring: A Survey // International Journal of Computer Vision. 2022. V. 130. P. 2103–2130.
- LeCun Y., Bengio Y., Hinton G. Deep learning // Nature. 2015. V. 521. P. 436–444.
- Huang G., Liu Z., van der Maaten L., Weinberger K.Q. Densely Connected Convolutional Networks // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR). 2017. P. 2261–2269.
- Zhu J.-Y., Park T., Isola P., Efros A.A. Unpaired Image-to-Image Translation Using Cycle-Consistent Adversarial Networks // Proceedings of the IEEE International Conference on Computer Vision (ICCV). 2017. P. 2223–2232.
- Mao X.-J., Shen C., Yang Y.-B. Image Restoration Using Convolutional Auto-encoders with Symmetric Skip Connections // Proceedings of the 30th International Conference on Neural Information Processing Systems (NIPS). 2016. P. 2810–2818.
- Zamir S.W., Arora A., Khan S. et al. Restormer: Efficient Transformer for High-Resolution Image Restoration // Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). 2022. P. 5718–5729.
- Liu D., Wen B., Fan Y. et al. Non-Local Recurrent Network for Image Restoration // IEEE Transactions on Pattern Analysis and Machine Intelligence. 2020. V. 42. № 5. P. 1200–1214.
- Loshchilov I., Hutter F. Decoupled Weight Decay Regularization. International Conference on Learning Representations (ICLR). 2019.
- Zamir S.W., Arora A., Khan S., Hayat M., Khan F.S., Yang M.-H., Shao L. Learning Enriched Features for Fast Image Restoration and Enhancement // IEEE Transactions on Pattern Analysis and Machine Intelligence. 2022. V. 44. № 2. P. 1934–1948.
- Lin T.-Y., Maire M., Belongie S. et al. Microsoft COCO: Common Objects in Context. European Conference on Computer Vision (ECCV). 2014. P. 740–755.
- Кочкаров Р.А., Бородина А.Д. Систематизация орхоно-енисейских рунических письменностей и перспективы их автоматизированного анализа методами машинного обучения // Динамика сложных систем – XXI век. 2025. Т. 19. № 5. С. 97–103. DOI: 10.18127/j19997493-202505-11
- Звягин Л.С. Вопросы развития и моделирования информационно-измерительных и управляющих систем как инструмента развития потенциала промышленных предприятий // Динамика сложных систем – XXI век. 2025. Т. 19. № 5. С. 87–96. DOI: 10.18127/j19997493-202505-10
- Прокопчина С.В., Звягин Л.С. Актуальные направления и перспективы развития прикладных информационно-измерительных систем для решения задач автоматизации мониторинга и управления в сложных технических комплексах // Динамика сложных систем – XXI век. 2025. Т. 19. № 5. С. 110–125. DOI: 10.18127/j19997493-202505-13
- Пелевин П.А., Петросян А.А., Чернышенко В.С., Конева В.В. Разработка системы мониторинга экологии лесопарков и сохранения депонированного углерода с мобильными технологиями, геймификацией и геоданными // Динамика сложных систем – XXI век. 2025. Т. 19. № 5. С. 47–56. DOI: 10.18127/j19997493-202505-06