Keywords
Abstract
Интеграция искусственного интеллекта (ИИ) в системы обработки видеосигналов открывает новые возможности для повышения качества, адаптивности и функциональности видеотехнологий. Современные нейросетевые модели позволяют эффективно решать задачи шумоподавления, сверхразрешения, восстановления деталей, устранения артефактов сжатия и интерполяции кадров. В данной работе представлен обзор ключевых методов глубокого обучения, применяемых в видеопотоках, а также их сравнительный анализ по точности и вычислительным затратам. Особое внимание уделено практическому применению ИИ в таких областях, как телемедицина, интеллектуальное видеонаблюдение, автономный транспорт и промышленная визуализация. Также рассматриваются вопросы реализации ИИ-моделей в условиях ограниченных ресурсов и в системах реального времени, включая edge-вычисления и аппаратное ускорение. Полученные выводы подтверждают высокую эффективность и широкие перспективы использования ИИ в современных видеосистемах.References
Чан К., Ван С., Лой К. BasicVSR++: Улучшенное сверхразрешение видео с учетом движения // Proceedings of CVPR, 2022. С. 5972–5981.
2. Алиев Р.А., Гусейнов Э.Р. Использование глубокого обучения для подавления шума на видеоизображениях. Радиоэлектроника, 2021. № 3. С. 28–35.
3. Левин И.Е., Кузнецов С.В. Методы восстановления видеосигналов с применением нейросетевых алгоритмов // Журнал "Радиотехника", 2020. № 9. С. 42–49.
4. Аликулова Н.Ш. Объективные методы оценки качества изображения в цифровом телевидении // Материалы Международной конференции по вопросам высшего образования, Гамбург, 2023. С. 115–120.
5. Rota C., Buzzelli M., Bianco S., Schettini R. Video restoration based on deep learning: A comprehensive survey // Artificial Intelligence Review, 2022.