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 persamaan difusi 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 persamaan PeronaMalik termodifikasi dan Persaamaan Difusi Panas sebagai fungsi kerugian berbasis PDP. Hasil eksperimen menunjukkan bahwa arsitektur Nonlinear Activation Free Network (NAFNet) memberikan kinerja terbaik dan konsisten di seluruh jenis tipe derau (noise). 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 noise spasial berat (PSNR 15.20 dB pada jenis derau Speckle 0.5) namun cukup kompetitif dalam menangani gangguan intensitas murni seperti Clipped Noise. Selain itu, penggunaan persamaan diferensial parsial yang berbeda. Kesimpulannya, integrasi NAFNet dalam kerangka kerja HyperPINN dengan regularisasi Perona-Malik terbukti menjadi solusi yang robust untuk restorasi citra adaptif.