Please use this identifier to cite or link to this item:
https://olympias.lib.uoi.gr/jspui/handle/123456789/39053Full metadata record
| DC Field | Value | Language |
|---|---|---|
| dc.contributor.author | Κουκοβίνης, Διονύσης - Λάμπρος | el |
| dc.contributor.author | Βενάρδος, Θεοδόσιος | el |
| dc.date.accessioned | 2025-06-18T07:21:24Z | - |
| dc.date.available | 2025-06-18T07:21:24Z | - |
| dc.identifier.uri | https://olympias.lib.uoi.gr/jspui/handle/123456789/39053 | - |
| dc.rights | Attribution-NonCommercial-NoDerivs 3.0 United States | * |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/3.0/us/ | * |
| dc.subject | Εικόνα | el |
| dc.subject | Φωτογραφία | el |
| dc.subject | Νευρωτικά δίκτυα | el |
| dc.subject | Τεχνητή νοημοσύνη | |
| dc.title | Αναβάθμιση εικόνας με χρήση μεθόδων τεχνητής νοημοσύνης | el |
| heal.type | bachelorThesis | - |
| heal.type.en | Bachelor thesis | en |
| heal.type.el | Προπτυχιακή/Διπλωματική εργασία | el |
| heal.classification | Επεξεργασία φωτογραφίας | - |
| heal.classification | Εικόνα | - |
| heal.classification | Τεχνητή νοημοσύνη | - |
| heal.dateAvailable | 2025-06-18T07:22:24Z | - |
| heal.language | el | - |
| heal.access | free | - |
| heal.recordProvider | Πανεπιστήμιο Ιωαννίνων. Σχολή Πληροφορικής και Τηλεπικοινωνιών. Τμήμα Πληροφορικής και Τηλεπικοινωνιών | el |
| heal.publicationDate | 2025 | - |
| heal.abstract | Στην εργασία μας ασχοληθήκαμε με την εξέλιξη των φωτογραφιών και των εικόνων και με τη μεγάλη πρόοδο που έχει σημειωθεί στην επεξεργασία τους, εστιάζοντας κυρίως στην αναλυτική κατανόηση του τρόπου με τον οποίο η τεχνητή νοημοσύνη (AI) έχει επηρεάσει αυτή τη διαδικασία. Στη διάρκεια της εργασία μας, αναφερόμαστε στην ιστορική εξέλιξη της φωτογραφίας, τη μετάβαση από τις παραδοσιακές μεθόδους επεξεργασίας, και τις σημαντικές εξελίξεις που έχουν λάβει χώρα με τη χρήση υπολογιστών και τεχνολογιών AI όπως τα Convolutional Neural Networks (CNN) και τα Generative Adversarial Networks (GAN). Η φωτογραφία, ως μέσο καταγραφής και αναπαράστασης της πραγματικότητας, έχει περάσει από σημαντικά επίπεδα ανάπτυξης, που ξεκινούν από τις πρώτες χημικές διαδικασίες του 19ου αιώνα, όπως το daguerreotype, και φτάνουν στις ψηφιακές φωτογραφίες που βλέπουμε σήμερα. Η εξέλιξη της φωτογραφίας αποτέλεσε σταδιακή μετάβαση από την αναλογική στην ψηφιακή τεχνολογία, και αυτό είχε αντίκτυπο στην επεξεργασία των εικόνων. Οι αρχικές τεχνικές επεξεργασίας, όπως το φιλμ, αντικαταστάθηκαν από ψηφιακά εργαλεία που επιτρέπουν στους χρήστες να τροποποιούν την εικόνα με ακριβή και άμεσο τρόπο. Με τη χρήση υπολογιστών και ψηφιακών τεχνικών επεξεργασίας, η δυνατότητα τροποποίησης εικόνας έγινε πιο προσβάσιμη και ευέλικτη, δίνοντας τη δυνατότητα στους φωτογράφους, αλλά και σε άλλους χρήστες, να δημιουργούν νέες μορφές και εφέ. Στην εργασία αυτή, αναλύουμε και τη συμβολή της τεχνητής νοημοσύνης στην επεξεργασία εικόνας, κάτι που έχει επαναστατήσει την προσέγγιση της επεξεργασίας και της αναπαραγωγής φωτογραφιών. Ειδικότερα, η χρήση νευρωνικών δικτύων έχει βελτιώσει δραματικά τις δυνατότητες επεξεργασίας, όπως η βελτίωση της ποιότητας εικόνας, η δημιουργία νέων εφέ και η ακριβής αναγνώριση και αναπαραγωγή αντικειμένων. Τα CNN χρησιμοποιούνται εκτενώς στην αναγνώριση εικόνας και στην ανάλυση τους. Η βασική λειτουργία τους είναι να αναγνωρίζουν μοτίβα και χαρακτηριστικά σε εικόνες με τέτοιο τρόπο ώστε να μπορούν να αναγνωρίσουν αντικείμενα, πρόσωπα και άλλες σημαντικές λεπτομέρειες στην εικόνα. Αναφερόμαστε και στα GAN τα οποία είναι μια καινοτόμος τεχνολογία που επιτρέπει τη δημιουργία νέων εικόνων από υπάρχουσες εικόνες μέσω μιας διαδικασίας generative learning. Με τη χρήση αυτής της τεχνολογίας, είναι δυνατόν να δημιουργηθούν εξαιρετικά ρεαλιστικές εικόνες, που μπορούν να φαίνονται εντελώς αυθεντικές. Στην παρούσα εργασία, ασχολούμαστε επίσης με ένα πείραμα που πραγματοποιήθηκε για να εξετάσουμε την απόδοση της τεχνολογίας ESRGAN (Enhanced Super-Resolution Generative Adversarial Network), μια μέθοδος που χρησιμοποιείται για τη βελτίωση της ανάλυσης μιας εικόνας. Το πείραμα συγκρίνει δύο εικόνες προτού και μετά την επεξεργασία με τη συγκεκριμένη τεχνολογία, προκειμένου να αναλυθεί η ποιότητα και η ακριβής αναπαραγωγή των λεπτομερειών. Τα αποτελέσματα του πειράματος δείχνουν ότι η τεχνολογία ESRGAN μπορεί να βελτιώσει σημαντικά την ανάλυση των εικόνων, αποκαθιστώντας μικρές λεπτομέρειες και προσφέροντας καθαρότερη εικόνα με μεγαλύτερη πιστότητα στα αρχικά χαρακτηριστικά της. Συνολικά, η εργασία αυτή ασχολείται με τις σημαντικές τεχνολογικές εξελίξεις που αφορούν τις εικόνες και τη φωτογραφία, αναλύοντας την ιστορική εξέλιξη, την επανάσταση της ψηφιακής τεχνολογίας και τη συμβολή της τεχνητής νοημοσύνης στην επεξεργασία εικόνας. Η εργασία εξετάζει επίσης τη χρήση προηγμένων τεχνολογιών όπως τα CNN και τα GAN στην επεξεργασία εικόνας, δίνοντας ιδιαίτερη έμφαση στη χρήση της ESRGAN για την αποκατάσταση της ανάλυσης των εικόνων. | el |
| heal.abstract | In our project, we focused on the evolution of photos and images and the significant progress made in their processing, primarily concentrating on the detailed understanding of how artificial intelligence (AI) has influenced this process. Throughout our work, we discuss the historical evolution of photography, the transition from traditional processing methods, and the significant advancements that have occurred through the use of computers and AI technologies such as Convolutional Neural Networks (CNN) and Generative Adversarial Networks (GAN). Photography, as a medium of recording and representing reality, has gone through significant stages of development, starting with the early chemical processes of the 19th century, such as the daguerreotype, and progressing to the digital photographs we see today. The evolution of photography marked a gradual transition from analog to digital technology, which had a direct impact on image processing. Early processing techniques, such as film, were replaced by digital tools that allow users to modify images in precise and immediate ways. With the use of computers and digital processing techniques, the ability to modify images became more accessible and flexible, enabling photographers and other users to create new forms and effects. In this work, we also analyze the contribution of artificial intelligence to image processing, a field that has revolutionized the approach to editing and reproducing photographs. Specifically, the use of neural networks has dramatically improved processing capabilities, such as enhancing image quality, creating new effects, and accurately recognizing and reproducing objects. CNNs are widely used in image recognition and analysis. Their primary function is to recognize patterns and features in images in such a way that they can identify objects, faces, and other important details within the image. We also refer to GANs, which are innovative technology that allows for the creation of new images from existing ones through a process known as generative learning. Using this technology, it is possible to generate highly realistic images that can appear completely authentic. In this work, we also conducted an experiment to examine the performance of the ESRGAN (Enhanced Super-Resolution Generative Adversarial Network) technology, a method used to enhance the resolution of an image. The experiment compares two images before and after processing with this technology to analyze the quality and accuracy of the detailed reproduction. The results of the experiment show that ESRGAN technology can significantly improve the resolution of images, restoring fine details and providing a clearer image with greater fidelity to the original characteristics. Overall, this work addresses the significant technological developments related to images and photography, analyzing the historical evolution, the revolution of digital technology, and the contribution of artificial intelligence to image processing. The work also examines the use of advanced technologies like CNNs and GANs in image processing, with a particular focus on the application of ESRGAN for enhancing image resolution. | en |
| heal.advisorName | Γιαννακέας, Νικόλαος | el |
| heal.committeeMemberName | Τζάλλας, Αλέξανδρος | el |
| heal.committeeMemberName | Δημόπουλος, Δημήτριος | el |
| heal.academicPublisher | Τμήμα Πληροφορικής και Τηλεπικοινωνιών | el |
| heal.academicPublisherID | uoi | - |
| heal.fullTextAvailability | true | - |
| Appears in Collections: | Προπτυχιακές εργασίες Τμ. Μηχανικών Πληροφορικής Τ.Ε. | |
Files in This Item:
| File | Description | Size | Format | |
|---|---|---|---|---|
| ΚΟΥΚΟΒΙΝΗ Δ. ΒΕΝΑΡΔΟΥ Θ. - ΠΛΗΡΟΦΟΡΙΚΗΣ & ΤΗΛΕΠΙΚΟΙΝΩΝΙΩΝ.pdf | 2.88 MB | Adobe PDF | View/Open |
This item is licensed under a Creative Commons License
