Details

Объект исследования – видеозаписи, полученные в условиях низкого уровня освещённости и характеризующиеся выраженным шумом матрицы сенсора и недостаточным пространственным разрешением для надёжной идентификации объектов. Цель работы – разработка открытой модульной программной системы автоматического повышения качества видео на основе нейросетевых методов шумоподавления и суперразрешения. В работе проведён анализ физических механизмов формирования шума в цифровых видеокамерах при повышенных значениях ISO, рассмотрены классические и нейросетевые методы шумоподавления и суперразрешения, выполнен обзор существующих программных решений. Спроектирована четырёхмодульная архитектура конвейера: предобработка, шумоподавление (FastDVDnet), суперразрешение (BasicVSR), постобработка и экспорт через FFmpeg. Разработан графический интерфейс на PyQt6 с многопоточной моделью обработки. Реализованы: автоматическая оценка уровня шума методом MAD-вейвлет, поддержка монохромного видео и батчевая обработка скользящих окон для эффективного использования GPU. В результате разработана кроссплатформенная программная система (macOS Apple Silicon и Windows с GPU NVIDIA), верифицированная посредством 24 модульных тестов и проверки на реальных видеоданных. На тестовом видео разрешением 640×360 (1849 кадров) система снижает оценочный уровень шума с σ ≈ 28 до σ ≈ 5 и увеличивает разрешение до 2560×1440. Область применения: системы видеонаблюдения и охраны, криминалистика и судебная экспертиза, профессиональная видеосъёмка в условиях низкой освещённости.

The research object is video footage captured under low-light conditions, characterised by significant sensor noise and insufficient spatial resolution for reliable object identification. The objective of this work is to develop an open-source modular software system for automatic video quality enhancement based on neural network methods for noise reduction and super-resolution. The thesis analyses physical mechanisms of noise formation in digital video cameras at elevated ISO values, reviews classical and neural-network-based methods for denoising and super-resolution, and surveys existing software solutions. A four-module pipeline architecture is designed: preprocessing, denoising (FastDVDnet), super-resolution (BasicVSR), and post-processing with export via FFmpeg. A PyQt6 graphical user interface with a multithreaded processing model is developed. Automatic noise level estimation using the MAD-wavelet method, grayscale video support, and batch processing of sliding windows for efficient GPU utilisation are implemented. As a result, a cross-platform software system (macOS Apple Silicon and Windows with NVIDIA GPU) has been developed and verified through 24 unit tests and real-world data testing. On a test video of 640×360 resolution (1849 frames), the system reduces the estimated noise level from σ ≈ 28 to σ ≈ 5 and increases the resolution to 2560×1440. Application area: video surveillance and security systems, forensic investigations, professional video production under low-light conditions.