Kajian Peningkatan Kualitas Citra Wajah Menggunakan Metode Deep Learning Vanilla Generative Adversarial Network (VGAN) dan Super Resolution Generative Adversarial Network (SRGAN)
Abstract
Citra dengan resolusi rendah pada citra digital dapat membuat detail gambar kurang jelas. Hal ini dapat disebabkan adanya degradasi warna, blur (buram) atau pun noise sehingga secara visual citra menjadi tidak terlihat jelas. Selain itu, resolusi rendah dapat berpengaruh pada citra yang dipakai dalam face recognition yang menyebabkan kinerja deteksi kurang baik. Oleh karena itu, restorasi resolusi citra diperlukan untuk mengatasi masalah tersebut.
Pada tugas akhir ini, digunakan salah satu perbaikan citra yaitu metode VGAN (Vanilla Generative Adversarial Network) yang disisipkan downsampling dan upsampling pada layer strukturnya dan telah diuji dan dibandingkan dengan metode SRGAN (Super Resolution Generative Adversarial Network). VGAN dan SRGAN memiliki kapasitas untuk melakukan perbaikan citra resolusi rendah menjadi citra dengan resolusi tinggi.
Dataset yang digunakan adalah CelebA - HQ (Celeb Faces Attributes High Quality) terdiri dari 1000 citra wajah. Hasil akhir menunjukkan bahwa metode VGAN modifikasi mendapatkan nilai PSNR tertinggi sebesar 31.82 dB dan SSIM sebesar 0.91. Sementara itu, metode SRGAN modifikasi mendapatkan nilai PSNR tertingggi sebesar 33.9 dB dan SSIM sebesar 0.923. Berdasarkan pengujian pada dataset, dapat disimpulkan bahwa metode SRGAN lebih unggul dibandingkan VGAN dalam melakukan pengujian menggunakan dataset CelebA – HQ. Hasil tersebut menunjukkan bahwa SRGAN mampu melakukan perbaikan citra dengan baik.
Kata Kunci: Citra Wajah, Resolusi, SRGAN, VGAN
References
M. P. Beham and S. M. M. Roomi, “A review of face recognition methods,” Int. J. Pattern Recognit. Artif. Intell., vol. 27, no. 4, pp. 1–35, 2013.
Z. Cheng, X. Zhu, and S. Gong, “Surveillance face recognition challenge,” in Proc. IEEE Conf. Comput. Vis. Pattern Recognit. Workshops (CVPRW), Salt Lake City, UT, USA, pp. 705–714, Jun. 2018.
R. Yadlapati, P. J. Kahrilas, M. R. Fox, A. J. Bredenoord, C. P. Gyawali, S. Roman, et al., “Esophageal motility disorders on high-resolution manometry: Chicago classification version 4.0©,” Neurogastroenterol. Motil., vol. 33, no. 1, p. e14058, 2021, doi: 10.1111/nmo.14053
W. W. W. Zou and P. C. Yuen, “Very low resolution face recognition problem,” IEEE Trans. Image Process., vol. 21, no. 1, pp. 327–340, Jan. 2012.
J. Son, S. J. Park, and K.-H. Jung, “Retinal vessel segmentation in fundoscopic images with generative adversarial networks,” arXiv preprint arXiv:1706.09318, Jun. 2017. [Online]. Available: http://arxiv.org/abs/1706.09318
B. Hardiansyah, A. P. Armin, and A. B. Yunanda, “Rekonstruksi citra pada super resolusi menggunakan interpolasi bicubic,” INTEGER J. Inf. Technol., vol. 4, no. 2, pp. 1–12, 2019.
N. M. Abdi and S. Aisyah, “Peningkatan kualitas citra digital menggunakan metode super resolusi pada domain spasial,” J. Rekayasa Elektr., vol. 9, no. 3, pp. 137–142, 2011.
W. Astuti, “Implementasi metode super resolusi untuk meningkatkan kualitas citra hasil screenshot,” JURIKOM J. Ris. Komputer, vol. 7, no. 3, p. 432, 2020.
Y. Xiong et al., “Improved SRGAN for remote sensing image super-resolution across locations and sensors,” Remote Sens., vol. 12, no. 8, pp. 1–21, 2020.
M. E. Abdulfattah, L. Novamizanti, and S. Rizal, “Super resolution pada citra udara menggunakan convolutional neural network,” ELKOMIKA J. Tek. Energi Elektr. Tek. Telekomun. Tek. Elektron., vol. 9, no. 1, pp. 71–78, 2021.
G. A. Anarki, K. Auliasari, and M. Orisa, “Penerapan metode Haar cascade pada aplikasi deteksi masker,” JATI J. Mahasiswa Tek. Inform., vol. 5, no. 1, pp. 179–186, 2021.
Y. Nagano and Y. Kikuta, “SRGAN for super-resolving low-resolution food images,” ACM Int. Conf. Proceeding Ser., pp. 33–37, 2018.
C. Ledig et al., “Photo-realistic single image super-resolution using a generative adversarial network,” arXiv preprint arXiv:1609.04802, Sep. 2016. [Online]. Available: http://arxiv.org/abs/1609.04802.
S. Chauduri, N. P. Galatsanos, and B. C. Tom, “Super Resolution Imaging in Reconstruction of a High Resolution Image from Low Resolution Image”. London, U.K.: Kluwer Academic, 2001.
R. A. Sandi, “Super-resolusi berdasar pada fast registrasi dan rekontruksi maximum posteriori,” Skripsi, Institut Teknologi Sepuluh Nopember, 2009.
Z. Wang, J. Chen, and S. C. H. Hoi, “Deep learning for image super-resolution: A survey,” IEEE Trans. Pattern Anal. Mach. Intell., vol. 43, no. 10, pp. 3365–3387, Oct. 2020.
L. Deng and D. Yu, “Deep learning: Methods and applications,” Found. Trends Signal Process., vol. 7, no. 3–4, pp. 197–387, 2014, doi: 10.1561/2000000039.
I. Goodfellow, Y. Bengio, and A. Courville, Deep Learning. Cambridge, MA, USA: MIT Press, 2016.
Y. LeCun, Y. Bengio, and G. Hinton, “Deep learning,” Nature, vol. 521, no. 7553, pp. 436–444, May 2015, doi: 10.1038/nature14539.
P. N. Andono, T. Sutojo, et al., Pengolahan Citra Digital. Yogyakarta, Indonesia: Penerbit Andi, 2017.
R. C. Gonzalez and R. E. Woods, “Digital Image Processing”, 4th ed. New York, NY, USA: Pearson Education, 2018, p. 1022.
R. Kaur and S. Kaur, “Comparative analysis of grayscale and RGB image classification using deep learning convolutional neural networks,” Procedia Comput. Sci., vol. 173, pp. 146–153, 2020, doi: 10.1016/j.procs.2020.06.017.
I. Goodfellow, J. Pouget-Abadie, M. Mirza, B. Xu, D. Warde-Farley, S. Ozair, A. Courville, and Y. Bengio, “Generative adversarial nets,” in Advances in Neural Information Processing Systems (NeurIPS), Montreal, QC, Canada, pp. 2672–2680, Dec. 2014.
A. Creswell, T. White, V. Dumoulin, K. Arulkumaran, B. Sengupta, and A. A. Bharath, “Generative adversarial networks: An overview,” IEEE Signal Process. Mag., vol. 35, no. 1, pp. 53–65, Jan. 2018.
C. Ledig, L. Theis, F. Huszár, J. Caballero, A. Cunningham, A. Acosta, et al., “Photo-realistic single image super-resolution using a generative adversarial network,” in Proc. IEEE Conf. Comput. Vis. Pattern Recognit. (CVPR), Honolulu, HI, USA, pp. 4681–4690, Jul. 2017.
