Введение. 
Разработка веб-приложения для масштабирования растровых изображений с использованием нейронных сетей

Цифровые растровые изображения представляют из себя сетку пикселей, что позволяет хранить в таком формате очень сложные визуальные объекты. В большинстве случаев для хранения цифровых изображений используется именно данный формат за счет его относительной простоты и больших возможностей.

Помимо преимуществ у растрового формата есть существенные ограничения. Так, например, одна из его основных характеристик, это размер изображения в пикселях по длине и ширине. Это означает, что при сохранении изображения было зафиксировано ограниченное количество точек, причем при увеличении этого количества прямо пропорционально увеличивается и размер занимаемого файлом места на диске, что иногда является довольно существенным нюансом.

Именно главная особенность формата вступает в противоречие с потребностью в масштабировании изображения без потери качества, если под масштабированием подразумевается увеличение размеров оригинального изображения, поэтому вопрос увеличения качества полученного результата является довольно актуальным для таких организаций, как, например, различного рода студии, занимающиеся разработкой цифрового контента; различные социальные медиа, вроде новостных сайтов; и т. д. В качестве уточнений можно пояснить, что существующие алгоритмы масштабирования не позволяют достаточно точно предугадать цвет пикселей, добавленных в процессе масштабирования, а иногда некоторые графические детали исчезают или становятся менее заметными (контрастными) при увеличении, из-за чего страдает общее восприятие изображения, которое, возможно, смотрелось даже лучше в оригинальном (до увеличения) размере.

Данное противоречие, также ввиду новой волны популярности искусственного интеллекта, преобразуется в проблему применения современных практик машинного обучения для масштабирования фотографий и растровых изображений в целом.

Данная проблема ещё не решена полностью, или её решение не совсем применимо в работе существующего бизнеса. В работе «A Neural-Network-Based Image Resolution Enhancement Scheme for Image Resizing» [1] приводится способ применения структуры нейронной сети для решения задачи масштабирования изображения, но данная работа была проведена в 2003 году, в то время как появились и были оптимизированы новые виды методов машинного обучения, что обуславливает актуальность проблемы.

Объектом исследования в решении данной проблемы является процесс масштабирования (увеличения) изображения с минимальной потерей в качестве. Предметом исследования будет являться способ соединения классического метода масштабирования и метода машинного обучения.

На основании сформулированной проблемы и выявленных объекта и предмета исследования целью данной работы будет разработка обучаемого инструмента (программного модуля) для масштабирования растровых изображений, а также демонстрация его возможностей на примере веб-приложения.

На текущий момент машинное обучение переживает резко возросший интерес к нейронным сетям со стороны разработчиков, исследователей и владельцев бизнеса. Это обусловлено тем, что в 2012 году выяснилось, что в одной из классических задач компьютерного зрения — задаче классификации изображений, — свёрточная нейронная сеть справилась гораздо лучше, чем все другие методы, которые были разработаны за последние несколько лет. Данные факты были описаны командой победителей соревнования по распознаванию изображений ImageNet LSVRC-2012 в работе «ImageNet Classification with Deep Convolutional Neural Networks» [2]. После 2012 года не нейросетевые структуры данное состязание уже не выигрывали.

Ввиду их успешного использования, интерес к свёрточным нейросетям очень резко возрос, и за несколько лет в задачах классификации изображений свёрточные нейронные сети добились точности, сравнимой с точностью, достигаемой человеческим мозгом.

На текущий момент, это один из самых популярных, относительно точных и универсальных методов для задач, связанных с распознаванием образов на изображении. Так в работе «Recent Advances in Convolutional Neural Networks» [3] описаны способы применения свёрточных нейронных сетей как инструмент отслеживания динамических объектов, определения состояния объектов, а также распознавание текста, что доказывает применение сверхточных нейронных сетей в широком спектре задач, связанных с анализом и преобразованием изображений.

Исходя из цели, список задач будет включать в себя следующее:

• 1. Изучить структуру и алгоритм работы нейронной сети, разработанной для масштабирования изображений.
• 2. Спроектировать модель нейронной сети, которую возможно встроить в качестве отдельного модуля, инкапсулирующего логику масштабирования изображения.
• 3. Подобрать оптимальные, с точки зрения скорости и точности работы нейронной сети, гиперпараметры.
• 4. Разработать прототип приложения, позволяющего продемонстрировать работу интеллектуального модуля для увеличения изображения.
• 5. Протестировать разработанный инструмент с последующим исправлением критических ошибок в работе программы или нейронной сети.

нейронная сеть масштабирование изображение.