2021

Bachelorarbeit

zum Thema:

"Verbesserung der Auflösung von Bilddaten der optischen Mikroskopie"

Mario Baars

Künstliche Intelligenzen sind nicht-biologische, vom Menschen in Computerform geschaffene Entitäten mit grenzenlosem Anwendungspotential, die auf Basis häufig wiederholter Prozessdurchführung abstrakter Konzepte aus ihren Erfahrungen lernen soll. Idealerweise entwickelt das System hierdurch eine generelle Vorhersagefähigkeit gegenüber unbekannten, multidimensionalen Datensätzen. Die Generalisierung komplexer Problemstellungen, bspw. hinsichtlich der Objekt- oder Spracherkennung bedarf allerdings erheblichen Aufwands und enormer Rechenkapazität.

Das Super-Resolution-Generative-Adversarial-Network (SRGAN) ist ein neuartiges „Deep Learning“-Verfahren, das die Erzeugung fotorealistischer Details bis zu einer 4-fachen Auflösungssteigerung ermöglicht. Vor diesem Hintergrund setzte sich diese Bachelorthesis das Ziel der Gewinnung eines empirischen Verständnisses für das SRGAN. Hierfür erfolgte die Betrachtung der auf die optische Mikroskopie anwendbaren Bildqualitätssteigerung sowie der zu diesem Zweck notwendigen Rechenkapazität bzw. Trainingsdauer bei Anpassung der Parameter- und Trainingsdatensatzkombinationen. Parallel dazu wurde die Verwendbarkeit des SRGANs unter Ressourcenkonstriktion analysiert.

Auch wenn eine ebenso hohe Detailreproduktion im Vergleich zu anderen wissenschaftlichen Publikationen nicht gelang, lieferte die Bildgrößenvariation einen entscheidenden Hinweis. Demzufolge schien die Dimensionserhöhung von Trainingsbildern einer der relevantesten Schlüsselfaktoren zur Erzielung bestmöglicher Resultate zu sein. Zur Verkürzung der Rechenzeiten und –lasten wurden hardwareseitige Lösungsvorschläge und spezifischere Modellmodifikationen in Aussicht gestellt.