<link rel="stylesheet" href="styles.f3b1fba60ec7970c.css">

Researching the possibilities of using ai technologies for digital image processing: review and applications Дослідження можливостей використання та технологій обробки цифрового зображення: огляд та застосування

Скорочена інформація про документ
dc.contributor.authorDubolazov, O. V.en
dc.contributor.authorUshenko, O. G.en
dc.contributor.authorSoltys, I. V.en
dc.contributor.authorOhirko, M. O.en
dc.contributor.authorFoglinskiy, S. V.en
dc.contributor.authorZaplitniy, R. A.en
dc.contributor.authorKarachevtsev, A. O.en
dc.contributor.authorДуболазов, О. В.uk
dc.contributor.authorУшенко, О. Г.uk
dc.contributor.authorСолтіс, І. В.uk
dc.contributor.authorОгірко, М. О.uk
dc.contributor.authorФоглінський, С. В.uk
dc.contributor.authorЗаплітний, Р. А.uk
dc.contributor.authorКарачевцев, А. О.uk
dc.titleResearching the possibilities of using ai technologies for digital image processing: review and applications Дослідження можливостей використання та технологій обробки цифрового зображення: огляд та застосуванняen
dc.date.issued2024
dc.publisherВінницький національний технічний університетuk
dc.identifier.citationDubolazov O. V., Ushenko O. G., Soltys I. V., Ohirko M. O., Foglinskiy S. V., Zaplitniy R. A., Karachevtsev A. O. Researching the possibilities of using ai technologies for digital image processing: review and applications // Оптико-електроннi iнформацiйно-енергетичнi технологiї. 2024. № 2. С. 78-87. URI: https://oeipt.vntu.edu.ua/index.php/oeipt/article/view/732.en, uk
dc.relation.ispartofОптико-електроннi iнформацiйно-енергетичнi технологiї. № 2 : 78-87.uk
dc.relation.urihttps://oeipt.vntu.edu.ua/index.php/oeipt/article/view/732
dc.identifier.doihttps://doi.org/10.31649/1681-7893-2024-48-2-78-87
dc.identifier.issn2311-2662
dc.identifier.udc004.75
dc.identifier.urihttps://ir.lib.vntu.edu.ua/handle/123456789/55758
dc.description.abstractстатті досліджуються можливості використання технологій штучного інтелекту (ШІ) у сфері обробки цифрових зображень, аналізуються поточні застосування та майбутні перспективи. Техніки обробки зображень на основі ШІ, такі як зниження шуму, суперроздільна здатність,  генерація зображень, трансформують традиційні підходи, забезпечуючи новий рівень точності, ефективності та творчого потенціалу. У статті розглядаються застосування ШІ в різних галузях, зокрема в охороні здоров’я для медичної діагностики, у сфері культури для реставрації мистецтва, в промисловості для контролю якості та в маркетингу для створення контенту.uk
dc.description.abstractThis paper explores the potential of artificial intelligence (AI) technologies in the field of digital image processing, analyzing current applications and future prospects. AI-based image processing techniques, such as noise reduction, super-resolution, inpainting, and image generation, are transforming traditional approaches, offering new levels of accuracy, efficiency, and creative potential. The paper examines AI applications across various fields, including healthcare for medical diagnostics, cultural heritage for art restoration, industry for quality control, and marketing for content creation.Уen
dc.subjectобробка цифрових зображеньuk
dc.subjectштучний інтелектuk
dc.subjectгенерація зображеньuk
dc.subjectмедична діагностикаuk
dc.subjectdigital image processingen
dc.subjectartificial intelligenceen
dc.subjectimage generationen
dc.subjectmedical diagnostics.en
dc.typeArticle, professional native edition
dc.typeArticle
dc.language.isoenen
dc.relation.referencesMittal, Mamta, MaanakArora, Tushar Pandey, and Lalit Mohan Goyal. (2020): Image segmentation using deep learning techniques in medical images. Advancement of machine intelligence in interactive medical image analysis, p. 41-63.en
dc.relation.referencesGhosh, Swarnendu, Nibaran Das, Ishita Das, and Ujjwal Maulik. (2019). Understanding deep learning techniques for image segmentation, ACM computing surveys (CSUR)52, № 4, p. 1-35: https://doi.org/10.1145/3329784.en
dc.relation.referencesMat, Shabudin Bin, Richard Green, Roderick Galbraith, and Frank Coton. (2016). The effect of edge profile on delta wing flow. Proceedings of the Institution of Mechanical Engineers, Part G: Journal of Aerospace Engineering 230, № 7, p. 1252-1262: https://doi.org/10.1177/0954410015606939.en
dc.relation.referencesMinaee, Shervin, Yuri Boykov, Fatih Porikli, Antonio Plaza, Nasser Kehtarnavaz, and Demetri Terzopoulos. (2021). Image segmentation using deep learning: A survey."IEEE transactions on pattern analysis and machine intelligence, № 7, p. 3523-3542.en
dc.relation.referencesAjit A, Acharya K, Semanta A. (2020). A review of convolutional neural networks. International Conference on Emerging Trends in Information Technology and Engineering (ic-ETITE): 1-5. [DOI LINK].en
dc.relation.referencesAmidi A, Amidi S. (2019). VIP Cheatsheet for CS 230 - Deep Learning: Convolutional Neural Networks. Stanford University, p. 1-5. [Downloaded from this Link 6-22-22].en
dc.relation.referencesBrownlee J. (2019). How to visualize filters and feature maps in convolutional neural networks. In: Deep Learning for Computer Vision, p.1-17.en
dc.relation.referencesYosinski J, Clune J, Nguyen A, et al. (2015). Understanding neural networks through deep visualization. ArXiv 1506.06579. [ArXiv Link].en
dc.relation.referencesZeiler MD, Fergus R. (2013). Visualizing and understanding convolutional networks. ECCV 2014, Arxiv 13.11.2901, [ArXiv LINK].en
dc.relation.referencesChen X, Duan Y, Houthooft R, Schulman J, Sutskever I, Abbeel P (2016). Infogan: Interpretable representation learning by information maximizing generative adversarial nets. In: Advances in neural information processing systems, p. 2172–2180.en
dc.relation.referencesChen Y, Lai YK, Liu YJ (2018). Cartoongan: Generative adversarial networks for photo cartoonization. In: Proceedings of the IEEE conference on computer vision and pattern recognition, p. 9465–9474.en
dc.relation.referencesChongxuan L, Xu T, Zhu J, Zhang B (2017). Triple generative adversarial nets. In: Advances in neural information processing systems, p. 4088–4098.en
dc.relation.referencesDai P, Ji R, Wang H, Wu Q, Huang Y (2018). Cross-modality person re-identification with generative adversarial training. In: IJCAI, p. 677–683.en
dc.relation.referencesDash A, Gamboa JCB, Ahmed S, Liwicki M, Afzal MZ (2017). Tac-gan-text conditioned auxiliary classifier generative adversarial network. arXiv preprint arXiv:1703.06412.en
dc.relation.referencesDeng W, Zheng L, Ye Q, Kang G, Yang Y, Jiao J (2018). Image-image domain adaptation with preserved self-similarity and domain-dissimilarity for person re-identification. In: Proceedings of the IEEE conference on computer vision and pattern recognition, pp 994–1003.en
dc.relation.referencesDenton EL, Chintala S, Fergus R, et al (2015). Deep generative image models using a laplacian pyramid of adversarial networks. In: Advances in neural information processing systems, p. 1486–1494.en
dc.relation.referencesDoersch C (2016). Tutorial on variational autoencoders. arXiv preprint arXiv:1606.05908.en
dc.relation.referencesDonahue J, Krahenbuhl P, Darrell T (2016). Adversarial feature learning. arXiv preprint arXiv:1605.09782.en
dc.relation.referencesDumoulin V, Belghazi I, Poole B, Mastropietro O, Lamb A, Arjovsky M, Courville A (2016). Adversarially learned inference. arXiv preprint arXiv:1606.00704.en
dc.relation.referencesEhsani K, Mottaghi R, Farhadi A (2018). Segan: segmenting and generating the invisible. In: Proceedings of the IEEE conference on computer vision and pattern recognition, p. 6144–6153.en
dc.relation.referencesWójcik Waldemar, Smolarz Andrzej (2017). Information Technology in Medical Diagnostics, July 11, 2017 by CRC Press, 210 Pages.en
dc.relation.referencesWójcik W., Pavlov S., Kalimoldayev M. (2019). Information Technology in Medical Diagnostics II. London: Taylor & Francis Group, CRC Press, Balkema book, 336 Pages.en
dc.relation.referencesHighly linear Microelectronic Sensors Signal Converters Based on Push-Pull Amplifier Circuits / edited by Waldemar Wojcik and Sergii Pavlov, Monograph, (2022) NR 181, Lublin, Comitet Inzynierii Srodowiska PAN, 283 Pages. ISBN 978-83-63714-80-2.en
dc.relation.referencesPavlov Sergii, Avrunin Oleg, Hrushko Oleksandr, and etc. (2021). System of three-dimensional human face images formation for plastic and reconstructive medicine // Teaching and subjects on bio-medical engineering Approaches and experiences from the BIOART-project Peter Arras and David Luengo (Eds.),, Corresponding authors, Peter Arras and David Luengo. Printed by Acco cv, Leuven (Belgium). - 22 P. ISBN: 978-94-641-4245-7.en
dc.relation.referencesPavlov S.V., Avrunin O.G., etc. (2019). Intellectual technologies in medical diagnosis, treatment and rehabilitation: monograph / [S. In edited by S. Pavlov, O. Avrunin. - Vinnytsia: PP "TD "Edelweiss and K", 260 p. ISBN 978-617-7237-59-3.en
dc.date.accessioned2026-10-22T08:07:16Z

Файли

Контейнер файлів

Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
209742.pdf
Розмір:
578,63 KB
Формат:
Adobe Portable Document Format
Завантажити

Зібрання

Оптико-електронні інформаційно-енергетичні технології. 2024. № 2