Методы объективной оценки качества цифровых телевизионных изображений для прикладного телевидения

Аннотация

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. Ключевые слова: интеллектуальная обработка видео, нейросети, шумоподавление, суперразрешение, интерполяция кадров, видеонаблюдение, телемедицина, edge AI, восстановление изображения, реальное время. Введение Цифровое видео стало основным средством визуальной информации в самых различных сферах — от медицины и транспорта до безопасности и образования. При этом качество видеосигнала оказывает прямое влияние на точность анализа, надёжность автоматических решений и комфорт восприятия. Однако реальные условия съёмки — нестабильное освещение, движение объектов, сжатие данных и шум — приводят к ухудшению качества видеопотоков, что ограничивает их практическую ценность. 254 “JOURNAL OF SCIENCE-INNOVATIVE RESEARCH IN UZBEKISTAN” JURNALI VOLUME 03, ISSUE 06, 2025. JUNE ResearchBib Impact Factor: 9.654/2024 ISSN 2992-8869 На этом фоне особое значение приобретает внедрение методов искусственного интеллекта в обработку видеосигналов. В отличие от традиционных алгоритмов, основанных на жёстко заданных правилах, современные нейросетевые модели способны обучаться на больших наборах данных и эффективно восстанавливать детали, устранять искажения и адаптироваться к различным условиям съёмки. Это делает искусственный интеллект мощным инструментом повышения качества видео в задачах, где надёжность визуальной информации критически важна. В данной статье рассматриваются основные направления применения ИИ в улучшении видеопотоков: подавление шума, повышение разрешения, восстановление резкости и устранение артефактов сжатия. Анализируются современные архитектуры нейросетей, их эффективность, вычислительная сложность и применимость в системах реального времени. Отдельное внимание уделяется интеграции ИИ в практические области — телемедицину, видеонаблюдение, автономные транспортные средства и промышленные системы визуального контроля. Современные методы искусственного интеллекта, прежде всего основанные на глубоком обучении, значительно трансформировали подходы к обработке видеосигналов. В отличие от традиционных алгоритмов, нейросетевые модели способны адаптироваться к разнообразным условиям съёмки и эффективно восстанавливать визуальную информацию, утрачиваемую в процессе передачи, сжатия или в результате неблагоприятной среды. Основные направления применения ИИ в данной области включают подавление шумов, увеличение разрешения, восстановление размытых деталей, генерацию промежуточных кадров и устранение артефактов сжатия. Шумоподавление при помощи сверточных нейронных сетей позволяет значительно повысить визуальное качество видео, особенно в условиях слабого освещения или цифровых помех. Архитектуры типа DnCNN и FastDVDnet обучаются на парах изображений с искусственным и реальным шумом, что делает их пригодными как для статических изображений, так и для видеопотоков, где важна временная консистентность. Аналогично, сверхразрешение видеокадров, особенно при увеличении масштаба в 2–4 раза, эффективно реализуется с помощью таких моделей, как SRCNN, EDSR, BasicVSR и их усовершенствованных версий. Эти сети обеспечивают 255 “JOURNAL OF SCIENCE-INNOVATIVE RESEARCH IN UZBEKISTAN” JURNALI VOLUME 03, ISSUE 06, 2025. JUNE ResearchBib Impact Factor: 9.654/2024 ISSN 2992-8869 реконструкцию деталей, которые были утеряны вследствие сжатия или низкого разрешения оригинала. Рис.1. Архитектура модели EDSR SRCNN Особую ценность представляют архитектуры, способные восстанавливать динамический диапазон (HDR) из одного или нескольких кадров с низкой экспозицией. ИИ позволяет синтезировать высокодетализированные изображения с правильной передачей как светлых, так и теневых участков, что ранее было возможно только с помощью сложных аппаратных систем. Ещё одной актуальной задачей является устранение размытости, возникающей вследствие движения камеры или объекта. Глубокие модели типа DeblurGAN, DVDNet и других используют межкадровую информацию для восстановления фокусных границ и текстур. Дополнительно в системах видеонаблюдения и видеостриминга важна интерполяция кадров — генерация промежуточ