Perpustakaan Digital ITB

Restorasi citra digital merupakan tantangan krusial dalam pengolahan citra. Beberapa metode seperti model Persamaan Diferensial Parsial (PDP) memiliki keterbatasan karena memerlukan pengaturan parameter manual, sementara metode pembelajaran mesin standar sering kali sangat bergantung pada distribusi data latih. Penelitian ini mengusulkan kerangka kerja Hypernetwork Physics-Informed Neural Network (HyperPINN) yang mampu mengestimasi parameter-parameter PDP secara adaptif berdasarkan fitur input citra. Penelitian ini secara spesifik mengevaluasi pengaruh pemilihan arsitektur backbone (FNN, UNet, ResUNet, DenseUNet, dan NAFNet) serta membandingkan efektivitas penggunaan Persaamaan Difusi Panas dan persamaan Perona-Malik sebagai persamaan berbasis PDP. Hasil eksperimen menunjukkan bahwa arsitektur Nonlinear Activation Free Network (NAFNet) secara konsisten menunjukkan kinerja terbaik dibandingkan FNN dan UNet di hampir seluruh jenis pengujian. Sebagai contoh, pada kasus Gaussian Noise level 10, NAFNet mencapai nilai PSNR tertinggi sebesar 34.51 dB, di atas UNet (30.51 dB) dan FNN (27.40 dB). Penelitian ini juga menemukan karakteristik unik pada Feedforward Neural Network (FNN), yang gagal menangani derau jenis lain, seperti derau Speckle (PSNR 15.20 dB) namun cukup kompetitif dalam menangani gangguan intensitas murni seperti Clipped Noise. Selain itu, dalam percobaan penggunaan persamaan diferensial parsial yang berbeda, terbukti bahwa penggunaan persamaan Perona-Malik cenderung menghasilkan nilai PSNR yang lebih stabil dibandingkan dengan persamaan difusi panas. Kesimpulannya, integrasi NAFNet dalam kerangka kerja HyperPINN dengan regularisasi Perona-Malik terbukti menjadi solusi yang terbaik untuk proses image denoising.