T
E
L
K
O
M
NIKA
T
elec
o
mm
un
ica
t
io
n Co
m
pu
t
i
ng
E
lect
ro
nics
a
nd
Co
ntr
o
l
Vo
l.
23
,
No
.
4
,
A
u
g
u
s
t
20
25
,
p
p
.
1
032
~1
0
4
5
I
SS
N:
1
6
9
3
-
6
9
3
0
,
DOI
: 1
0
.
1
2
9
2
8
/
T
E
L
KOM
NI
K
A
.
v
23
i
4
.
26105
1032
J
o
ur
na
l ho
m
ep
a
g
e
:
h
ttp
:
//jo
u
r
n
a
l.u
a
d
.
a
c.
id
/in
d
ex
.
p
h
p
/TELK
OM
N
I
K
A
Deep learni
ng
-
ba
sed i
m
a
g
e
super
-
r
eso
lution us
ing
ge
nera
tive
a
dv
ersa
ria
l net
w
o
rk
s
w
ith
a
da
ptive lo
ss
f
unct
io
ns
H
a
ni Q
.
R.
Al
-
Z
o
ub
i
D
e
p
a
r
t
me
n
t
o
f
C
o
mp
u
t
e
r
En
g
i
n
e
e
r
i
n
g
,
F
a
c
u
l
t
y
o
f
En
g
i
n
e
e
r
i
n
g
,
M
u
t
a
h
U
n
i
v
e
r
si
t
y
,
K
a
r
a
k
,
Jo
r
d
a
n
Art
icle
I
nfo
AB
ST
RAC
T
A
r
ticle
his
to
r
y:
R
ec
eiv
ed
Feb
23
,
2
0
2
4
R
ev
i
s
ed
A
p
r
8
,
2
0
2
5
A
cc
ep
ted
Ma
y
10
,
2025
T
h
is
stu
d
y
in
v
e
stig
a
tes
d
e
e
p
lea
rn
in
g
b
a
se
d
si
n
g
le
im
a
g
e
su
p
e
r
-
re
so
lu
ti
o
n
(S
IS
R)
a
n
d
h
ig
h
li
g
h
ts
it
s
re
v
o
lu
ti
o
n
a
ry
p
o
ten
ti
a
l.
It
e
m
p
h
a
siz
e
s
th
e
sig
n
if
ica
n
c
e
o
f
S
IS
R,
a
n
d
th
e
tran
siti
o
n
f
ro
m
in
terp
o
latio
n
t
o
d
e
e
p
lea
rn
in
g
-
d
riv
e
n
re
c
o
n
stru
c
ti
o
n
tec
h
n
i
q
u
e
s
.
G
e
n
e
ra
ti
v
e
a
d
v
e
rs
a
rial
n
e
tw
o
r
k
(
GA
N)
-
b
a
se
d
m
o
d
e
ls,
in
c
lu
d
i
n
g
su
p
e
r
-
re
so
lu
ti
o
n
g
e
n
e
ra
ti
v
e
a
d
v
e
rs
a
ria
l
n
e
tw
o
rk
(S
RGA
N),
v
id
e
o
su
p
e
r
-
re
so
lu
ti
o
n
n
e
tw
o
rk
(V
S
RRe
sN
e
t),
a
n
d
re
sid
u
a
l
c
h
a
n
n
e
l
a
tt
e
n
ti
o
n
-
g
e
n
e
ra
ti
v
e
a
d
v
e
rsa
rial
n
e
t
w
o
rk
(RC
A
-
GA
N)
a
r
e
u
ti
li
se
d
.
T
h
e
p
ro
p
o
se
d
tec
h
n
i
q
u
e
d
e
sc
rib
e
s
th
e
lo
ss
f
u
n
c
ti
o
n
s
o
f
th
e
S
IS
R
m
o
d
e
ls.
Ho
w
e
v
e
r,
it
sh
o
u
ld
b
e
n
o
ted
th
a
t
th
e
c
o
n
v
e
n
ti
o
n
a
l
m
e
th
o
d
s
f
re
q
u
e
n
tl
y
f
a
il
to
re
c
o
v
e
r
lo
st
h
ig
h
-
f
re
q
u
e
n
c
y
d
e
tails,
w
h
ich
sig
n
ify
th
e
ir
li
m
it
a
t
io
n
s.
T
h
e
c
u
rre
n
t
v
isu
a
l
i
n
sp
e
c
ti
o
n
s
i
n
d
ica
te
th
a
t
t
h
e
su
g
g
e
ste
d
m
o
d
e
l
c
a
n
p
e
rf
o
rm
b
e
tt
e
r
th
a
n
t
h
e
o
th
e
rs
in
term
s
o
f
q
u
a
n
t
it
a
ti
v
e
m
e
tri
c
s
a
n
d
p
e
rc
e
p
tu
a
l
q
u
a
li
ty
.
T
h
e
q
u
a
n
ti
tativ
e
re
su
lt
s
in
d
ica
te
th
a
t
t
h
e
u
ti
li
se
d
m
o
d
e
l
c
a
n
a
c
h
iev
e
a
n
a
v
e
ra
g
e
p
e
a
k
si
g
n
a
l
-
to
-
n
o
ise
ra
ti
o
(
P
S
NR)
e
n
h
a
n
c
e
m
e
n
t
o
f
X
d
B
a
n
d
a
n
a
v
e
ra
g
e
stru
c
tu
ra
l
sim
il
a
rit
y
in
d
e
x
(S
S
IM
)
i
n
c
re
a
se
o
f
Y.
A
ra
n
g
e
o
f
im
p
ro
v
e
m
e
n
ts
o
f
7
.
1
2
-
2
3
.
2
1
%
a
n
d
2
.
7
5
-
1
0
.
0
0
%
a
re
o
b
tain
e
d
f
o
r
P
S
NR
a
n
d
S
S
IM
,
re
sp
e
c
ti
v
e
l
y
.
A
lso
,
th
e
a
rc
h
it
e
c
tu
re
d
e
p
l
o
y
s
a
to
tal
o
f
2
,
0
0
5
,
5
7
1
p
a
ra
m
e
ters
,
w
it
h
2
,
0
0
1
,
4
7
5
o
f
th
e
se
b
e
in
g
train
a
b
le.
T
h
e
se
re
su
lt
s
h
ig
h
li
g
h
t
th
e
m
o
d
e
l’s
e
ff
ica
c
y
in
m
a
in
tain
in
g
k
e
y
stru
c
tu
re
s
a
n
d
g
e
n
e
ra
ti
n
g
v
isu
a
ll
y
a
p
p
e
a
li
n
g
o
u
t
p
u
ts
,
s
u
p
p
o
rti
n
g
it
s
p
o
ten
t
ial
im
p
li
c
a
ti
o
n
s
in
f
ield
s
d
e
m
a
n
d
in
g
h
ig
h
-
re
so
lu
ti
o
n
im
a
g
e
r
y
,
su
c
h
a
s m
e
d
ica
l
ima
g
in
g
a
n
d
sa
telli
te i
m
a
g
e
r
y
.
K
ey
w
o
r
d
s
:
A
d
v
er
s
ar
ial
lo
s
s
Dee
p
lear
n
in
g
G
e
n
e
r
a
t
iv
e
a
d
v
e
r
s
a
r
i
al
n
e
tw
o
r
k
s
I
m
ag
e
r
eso
l
u
tio
n
L
o
s
s
f
u
n
c
tio
n
P
ix
el
lo
s
s
P
r
io
r
l
o
s
s
T
h
is i
s
a
n
o
p
e
n
a
c
c
e
ss
a
rticle
u
n
d
e
r th
e
CC B
Y
-
SA
li
c
e
n
se
.
C
o
r
r
e
s
p
o
nd
ing
A
uth
o
r
:
Han
i Q
.
R
.
A
l
-
Z
o
u
b
i
Dep
ar
t
m
en
t o
f
C
o
m
p
u
ter
E
n
g
i
n
ee
r
in
g
,
Fac
u
lt
y
o
f
E
n
g
i
n
ee
r
in
g
,
Mu
ta
h
U
n
iv
er
s
it
y
Mu
ta
h
,
6
1
7
1
0
A
l
-
Kar
ak
,
J
o
r
d
an
E
m
ail:
h
an
ir
ash
@
m
u
tah
.
ed
u
.
j
o
1.
I
NT
RO
D
UCT
I
O
N
I
n
i
m
a
g
e
p
r
o
ce
s
s
i
n
g
,
s
in
g
le
i
m
ag
e
s
u
p
er
-
r
eso
lu
t
io
n
(
SIS
R
)
is
a
s
i
g
n
i
f
ica
n
t
s
u
b
f
ield
[
1
]
.
Ad
d
itio
n
all
y
,
it
s
ee
k
s
to
r
ec
o
v
er
a
h
ig
h
-
r
es
o
lu
tio
n
p
ictu
r
e
f
r
o
m
a
lo
w
-
r
e
s
o
lu
tio
n
(
L
R
)
i
m
ag
e
[
2
]
,
lead
in
g
to
its
n
u
m
er
o
u
s
u
s
e
s
in
d
is
a
s
ter
ass
i
s
ta
n
ce
,
v
i
d
eo
m
o
n
i
to
r
in
g
,
an
d
m
ed
ical
d
iag
n
o
s
tic
s
,
a
m
o
n
g
o
t
h
er
f
ie
ld
s
.
Hig
h
er
-
q
u
a
lit
y
p
h
o
to
g
r
ap
h
s
,
f
o
r
i
n
s
ta
n
ce
,
ca
n
en
ab
le
m
ed
ical
p
r
o
f
es
s
io
n
al
s
t
o
id
en
tify
d
is
o
r
d
er
s
w
it
h
g
r
e
ater
ac
cu
r
ac
y
[
3
]
.
T
h
e
g
o
al
o
f
SISR
,
a
cr
u
cial
s
tep
in
i
m
a
g
e
p
r
o
ce
s
s
in
g
,
i
s
to
in
cr
ea
s
e
t
h
e
r
eso
l
u
tio
n
o
f
i
m
a
g
i
n
g
s
y
s
te
m
s
.
Dee
p
lear
n
i
n
g
h
a
s
r
ec
en
tl
y
h
elp
ed
SIS
R
ad
v
a
n
ce
s
ig
n
if
ican
t
l
y
a
n
d
p
r
o
d
u
ce
en
co
u
r
ag
i
n
g
r
esu
lts
[
4
]
.
T
h
u
s
,
b
o
th
ac
ad
e
m
ics
a
n
d
in
d
u
s
tr
y
f
i
n
d
g
r
ea
t
v
al
u
e
i
n
r
es
ea
r
ch
in
g
SIS
R
.
R
esear
ch
er
s
h
av
e
p
r
o
p
o
s
ed
m
a
n
y
ap
p
r
o
ac
h
es
to
ad
d
r
ess
th
e
SIS
R
is
s
u
e
b
ased
o
n
d
eg
r
ad
atio
n
m
o
d
el
s
o
f
lo
w
-
le
v
el
v
is
io
n
tas
k
s
.
SIS
R
g
en
er
all
y
f
alls
in
to
t
h
r
ee
ca
teg
o
r
ies:
i
m
a
g
e
-
s
p
ec
if
ic
d
ata,
p
r
ev
io
u
s
k
n
o
w
led
g
e,
an
d
m
ac
h
i
n
e
lear
n
in
g
.
I
t
w
as a
n
ea
s
y
an
d
ef
f
ec
tiv
e
ap
p
r
o
ac
h
in
SI
SR
t
o
d
ir
ec
tly
m
ag
n
i
f
y
th
e
r
eso
l
u
tio
n
s
o
f
all
t
h
e
p
ix
el
s
in
a
n
L
R
p
ict
u
r
e
b
y
an
in
ter
p
o
latio
n
m
e
th
o
d
to
g
et
an
h
i
g
h
-
r
eso
l
u
tio
n
i
m
a
g
e,
s
u
c
h
as
clo
s
est
n
ei
g
h
b
o
r
in
t
er
p
o
latio
n
,
b
ilin
ea
r
in
ter
p
o
latio
n
,
an
d
b
icu
b
ic
in
t
er
p
o
latio
n
.
I
t
s
h
o
u
ld
b
e
n
o
ted
th
at
th
e
u
p
-
s
a
m
p
li
n
g
s
tep
in
th
ese
in
ter
p
o
latio
n
Evaluation Warning : The document was created with Spire.PDF for Python.
T
E
L
KOM
NI
K
A
T
elec
o
m
m
u
n
C
o
m
p
u
t E
l
C
o
n
tr
o
l
Dee
p
lea
r
n
in
g
-
b
a
s
ed
ima
g
e
s
u
p
er
-
r
eso
lu
tio
n
u
s
in
g
g
e
n
era
tive
a
d
ve
r
s
a
r
ia
l
…
(
Ha
n
i Q
.
R
.
A
l
-
Zo
u
b
i
)
1033
ap
p
r
o
ac
h
es
ca
u
s
es
h
i
g
h
-
f
r
eq
u
en
c
y
in
f
o
r
m
a
tio
n
to
b
e
lo
s
t
[
5
]
.
I
n
s
tead
,
SISR
-
b
ased
r
ec
o
n
s
tr
u
ct
io
n
-
b
ased
ap
p
r
o
ac
h
es
w
er
e
cr
ea
ted
u
s
in
g
o
p
ti
m
izatio
n
tec
h
n
iq
u
es.
I
n
o
th
er
w
o
r
d
s
,
esti
m
at
in
g
th
e
r
eg
i
s
tr
atio
n
p
ar
am
eter
s
b
y
m
ap
p
i
n
g
a
p
r
o
jectio
n
in
to
a
co
n
v
ex
s
et
ca
n
b
r
in
g
b
ac
k
ad
d
itio
n
al
SIS
R
f
ea
t
u
r
es
[
6
]
.
I
n
s
e
v
er
al
ar
ti
f
icial
i
n
tell
ig
e
n
ce
d
is
cip
li
n
es,
s
u
c
h
a
s
co
m
p
u
ter
v
is
io
n
[
7
]
an
d
n
atu
r
al
lan
g
u
a
g
e
p
r
o
ce
s
s
in
g
[
8
]
,
d
ee
p
lear
n
in
g
[
6
]
s
h
o
w
ed
s
u
p
er
io
r
p
er
f
o
r
m
a
n
ce
th
a
n
co
n
v
en
tio
n
al
m
ac
h
i
n
e
lear
n
in
g
m
o
d
els.
Nu
m
er
o
u
s
d
e
e
p
l
e
a
rn
in
g
-
b
a
s
e
d
s
o
lu
tio
n
s
w
er
e
d
ev
elo
p
ed
f
o
r
SISR
d
u
e
to
t
h
e
r
ap
id
d
ev
elo
p
m
e
n
t
o
f
d
e
e
p
lea
rn
in
g
tech
n
iq
u
es,
co
n
s
tan
t
l
y
ad
v
an
ci
n
g
t
h
e
s
ta
te
-
of
-
th
e
-
ar
t
(
SOT
A
)
[
3
]
.
T
h
e
SISR
j
o
b
m
a
y
t
y
p
ical
l
y
b
e
b
r
o
k
en
d
o
w
n
in
to
th
r
ee
p
ar
ts
,
lik
e
o
t
h
er
i
m
a
g
e
tr
a
n
s
f
o
r
m
a
tio
n
tas
k
s
:
f
ea
t
u
r
e
ex
tr
ac
tio
n
an
d
r
ep
r
esen
tatio
n
,
n
o
n
li
n
ea
r
m
ap
p
in
g
,
an
d
p
ictu
r
e
r
ec
o
n
s
tr
u
ctio
n
[
9
]
.
Desig
n
in
g
a
n
alg
o
r
ith
m
th
at
m
ee
ts
th
e
s
e
r
eq
u
ir
e
m
en
ts
is
ti
m
e
-
co
n
s
u
m
in
g
a
n
d
in
ef
f
ec
ti
v
e
in
co
n
v
en
tio
n
al
n
u
m
er
ica
l
m
o
d
el
s
.
I
n
s
tead
,
d
e
e
p
lea
rn
i
n
g
ca
n
m
o
v
e
th
e
SIS
R
ac
tiv
i
t
y
to
a
n
ea
r
ly
en
d
-
to
-
e
n
d
ar
ch
itect
u
r
e
th
at
in
cl
u
d
es
all
th
r
ee
o
f
t
h
ese
p
r
o
ce
d
u
r
es,
wh
ich
ca
n
s
ig
n
i
f
ica
n
tl
y
r
ed
u
ce
h
u
m
a
n
an
d
co
m
p
u
ter
co
s
ts
[
1
0
]
.
A
d
d
itio
n
all
y
,
SISR
,
w
h
ich
ca
n
r
es
u
lt
i
n
u
n
s
tab
le
a
n
d
co
m
p
lex
co
n
v
er
g
en
ce
o
f
t
h
e
f
i
n
d
i
n
g
s
,
ca
n
b
e
m
iti
g
ated
b
y
d
e
e
p
lea
rn
in
g
th
r
o
u
g
h
e
f
f
ec
tiv
e
n
et
w
o
r
k
d
esi
g
n
an
d
lo
s
s
f
u
n
ctio
n
f
o
r
m
u
latio
n
.
Mo
d
er
n
GP
Us
a
ls
o
m
a
k
e
it
p
o
s
s
ib
l
e
f
o
r
d
ee
p
er
,
m
o
r
e
co
m
p
lica
ted
d
e
e
p
lea
rn
in
g
m
o
d
els
to
b
e
t
r
ain
ed
q
u
ick
l
y
,
an
d
th
ese
m
o
d
els
ex
h
ib
it
b
ett
er
r
ep
r
esen
tatio
n
al
p
o
w
er
t
h
an
co
n
v
en
tio
n
al
n
u
m
er
ical
m
o
d
els.
T
h
e
d
is
tin
ctio
n
b
et
w
ee
n
s
u
p
er
v
is
ed
an
d
u
n
s
u
p
er
v
is
ed
d
e
e
p
lea
rn
in
g
-
b
as
ed
ap
p
r
o
ac
h
es
is
w
id
el
y
u
n
d
e
r
s
to
o
d
.
T
h
e
r
an
g
e
o
f
t
h
i
s
ca
te
g
o
r
izatio
n
cr
iter
io
n
is
ex
te
n
s
iv
e
a
n
d
u
n
clea
r
w
h
i
l
e
b
ein
g
t
h
e
m
o
s
t
b
asic.
A
s
a
r
esu
lt,
m
an
y
m
et
h
o
d
o
lo
g
icall
y
u
n
co
n
n
ec
ted
w
a
y
s
m
a
y
b
e
g
r
o
u
p
ed
in
to
t
h
e
s
a
m
e
t
y
p
e,
w
h
er
ea
s
m
et
h
o
d
o
lo
g
ic
all
y
r
elate
d
m
e
th
o
d
s
u
s
i
n
g
s
i
m
ilar
s
tr
ate
g
ie
s
m
a
y
b
e
g
r
o
u
p
ed
in
to
en
tire
l
y
d
i
f
f
er
en
t k
i
n
d
s
[
1
1
]
.
2.
L
I
T
E
R
AT
U
RE
R
E
VI
E
W
I
n
a
s
p
ec
if
ic
s
t
u
d
y
,
L
u
ca
s
et
a
l.
[
5
]
p
r
o
v
id
e
d
a
g
en
er
a
tiv
e
a
d
v
er
s
ar
ial
n
e
t
w
o
r
k
(
G
A
N)
-
b
ased
f
o
r
m
u
latio
n
f
o
r
VSR
t
o
co
r
r
ec
tl
y
d
ir
ec
t
v
id
eo
s
u
p
er
-
r
eso
lu
tio
n
n
e
t
w
o
r
k
(
VS
R
R
esNet
)
d
u
r
in
g
t
h
e
G
A
N
tr
ain
i
n
g
.
T
h
e
r
esear
c
h
er
s
cr
ea
t
e
d
a
n
o
v
el
g
e
n
er
ato
r
n
et
w
o
r
k
d
u
b
b
ed
VSR
R
e
s
Net
t
u
n
ed
f
o
r
th
e
V
SR
is
s
u
e.
T
o
m
ak
e
th
eir
f
i
n
al
VS
R
R
esF
ea
t
GAN
m
o
d
el,
t
h
e
y
f
u
r
th
er
i
m
p
r
o
v
e
d
th
eir
VS
R
G
A
N
f
o
r
m
u
l
atio
n
b
y
ad
d
in
g
t
w
o
r
eg
u
lar
izer
s
:
a
f
ea
tu
r
e
-
s
p
ac
e
d
is
tan
ce
lo
s
s
a
n
d
a
p
ix
e
l
-
s
p
ac
e
d
is
tan
ce
lo
s
s
.
T
h
e
r
es
ea
r
ch
er
s
also
d
e
m
o
n
s
tr
ate
d
th
at
p
r
e
-
tr
ai
n
i
n
g
t
h
eir
g
en
er
at
o
r
w
it
h
th
e
m
ea
n
-
s
q
u
ar
ed
er
r
o
r
lo
s
s
o
n
l
y
q
u
an
ti
tati
v
el
y
o
u
tp
er
f
o
r
m
s
t
h
e
m
o
s
t
ad
v
an
ce
d
VSR
m
o
d
els
cu
r
r
en
tl
y
a
v
ailab
le.
T
o
c
o
m
p
ar
e
th
e
m
o
s
t
r
ec
en
t
V
SR
m
o
d
els,
th
e
y
u
s
e
d
th
e
P
er
ce
p
Dis
t
m
ea
s
u
r
e.
I
n
co
n
t
r
ast
to
t
h
e
o
f
te
n
-
u
s
ed
p
ea
k
s
i
g
n
al
-
to
-
n
o
i
s
e
r
atio
(
P
SNR
)
/
s
t
r
u
ctu
r
al
s
i
m
ilar
it
y
in
d
ex
(
SS
I
M
)
m
ea
s
u
r
es,
th
eir
r
esear
ch
d
e
m
o
n
s
tr
ate
d
th
at
th
i
s
m
etr
ic
b
etter
ass
es
s
es
t
h
e
p
er
ce
p
tu
al
q
u
alit
y
o
f
SR
s
o
l
u
tio
n
s
d
er
iv
ed
b
y
n
e
u
r
a
l n
et
w
o
r
k
s
.
An
i
n
tr
o
d
u
ctio
n
o
f
su
p
e
r
-
r
e
so
lu
ti
o
n
g
e
n
e
ra
ti
v
e
a
d
v
e
rs
a
rial
n
e
t
wo
rk
(
SR
G
A
N
)
,
a
G
AN
f
o
r
p
ictu
r
e
s
u
p
er
-
r
eso
lu
tio
n
(
SR
)
,
w
a
s
m
ad
e
b
y
L
ed
ig
et
a
l.
[
6
]
.
A
cc
o
r
d
in
g
to
th
eir
clai
m
,
it
w
as
th
e
f
ir
s
t
f
r
am
e
w
o
r
k
ca
p
ab
le
o
f
p
r
ed
ictin
g
n
atu
r
al
p
ict
u
r
es
t
h
at
ar
e
p
h
o
to
-
r
ea
li
s
tic
f
o
r
s
ca
lin
g
f
ac
to
r
s
4
.
T
o
ac
co
m
p
lis
h
t
h
i
s
ai
m
,
t
h
e
r
esear
ch
er
s
p
r
o
v
id
e
d
a
p
er
ce
p
tu
al
lo
s
s
f
u
n
ct
io
n
t
h
at
co
m
b
in
es
an
ad
v
er
s
ar
ial
lo
s
s
w
it
h
a
co
n
ten
t
lo
s
s
.
W
ith
a
d
is
cr
i
m
i
n
a
to
r
n
e
t
w
o
r
k
tr
ai
n
ed
to
d
is
ti
n
g
u
i
s
h
b
et
w
ee
n
s
u
p
er
-
r
eso
lv
ed
p
ict
u
r
es
a
n
d
a
u
th
e
n
tic
p
h
o
to
-
r
ea
lis
ti
c
i
m
a
g
es,
t
h
e
ad
v
er
s
ar
ial
lo
s
s
p
u
s
h
es
th
eir
s
o
lu
tio
n
to
t
h
e
n
at
u
r
al
i
m
ag
e
m
a
n
i
f
o
ld
.
I
n
ad
d
iti
o
n
,
r
ath
er
t
h
an
u
s
in
g
s
i
m
ilar
it
y
in
p
i
x
el
s
p
ac
e,
th
e
y
ap
p
l
ied
a
co
n
t
en
t
lo
s
s
in
s
p
i
r
ed
b
y
p
er
ce
p
tu
al
s
i
m
ilar
it
y
.
T
h
eir
d
ee
p
r
esid
u
al
n
et
w
o
r
k
ca
n
r
esto
r
e
p
h
o
to
-
r
ea
lis
tic
tex
t
u
r
es
f
r
o
m
s
ev
er
el
y
d
o
w
n
s
a
m
p
led
p
h
o
to
s
o
n
o
p
en
b
en
ch
m
ar
k
s
.
A
th
o
r
o
u
g
h
m
ea
n
o
p
in
io
n
s
co
r
e
(
MO
S)
test
r
ev
ea
l
ed
s
u
b
s
ta
n
tia
l i
m
p
r
o
v
e
m
en
t
s
.
T
h
o
u
g
h
o
f
te
n
les
s
q
u
alit
y
,
p
h
o
to
s
ar
e
ca
p
tu
r
ed
u
s
i
n
g
r
e
m
o
t
e
s
en
s
in
g
i
m
a
g
in
g
eq
u
ip
m
e
n
t.
T
o
tr
ain
d
ee
p
n
eu
r
al
n
et
w
o
r
k
s
,
th
er
e
ar
e
n
o
t
en
o
u
g
h
h
ig
h
-
r
eso
l
u
tio
n
r
e
m
o
te
s
en
s
in
g
p
h
o
to
s
ac
ce
s
s
ib
le.
C
o
n
ce
r
n
in
g
th
is
i
s
s
u
e
,
Z
h
a
n
g
et
a
l.
[
7
]
p
r
o
v
id
e
d
an
u
n
s
u
p
er
v
i
s
ed
SR
ap
p
r
o
ac
h
th
at
d
o
es
n
o
t
n
ee
d
h
i
g
h
-
r
eso
lu
tio
n
r
e
m
o
te
-
s
en
s
in
g
p
h
o
to
s
.
I
n
th
e
p
r
o
p
o
s
ed
m
e
th
o
d
,
a
G
A
N
w
a
s
u
s
ed
to
g
et
S
R
p
ictu
r
es
f
r
o
m
th
e
g
en
er
ato
r
.
T
h
e
S
R
i
m
a
g
es
w
er
e
th
e
n
d
o
w
n
-
s
a
m
p
led
to
p
r
o
v
id
e
L
R
id
ea
s
f
o
r
tr
ain
i
n
g
t
h
e
d
is
cr
i
m
in
ato
r
.
T
h
is
m
e
th
o
d
s
u
r
p
as
s
ed
s
ev
er
al
o
th
er
s
i
n
ter
m
s
o
f
th
e
q
u
alit
y
o
f
t
h
e
S
R
p
ictu
r
es
p
r
o
d
u
ce
d
as
d
eter
m
i
n
ed
b
y
s
ix
ev
alu
a
tio
n
m
etr
ic
s
d
em
o
n
s
tr
ati
n
g
t
h
e
e
x
ce
lle
n
t
p
er
f
o
r
m
an
ce
o
f
t
h
e
s
u
g
g
ested
u
n
s
u
p
er
v
is
ed
s
tr
ateg
y
f
o
r
en
h
an
cin
g
th
e
s
p
atial
r
eso
lu
tio
n
o
f
r
e
m
o
te
s
e
n
s
i
n
g
i
m
ag
e
s
.
A
r
e
s
i
d
u
a
l
ch
an
n
el
a
tt
en
t
i
o
n
-
g
e
n
e
r
at
iv
e
a
d
v
e
r
s
a
r
i
al
n
e
t
w
o
r
k
(
R
C
A
-
GA
N
)
w
as
d
e
v
e
l
o
p
e
d
b
y
C
ai
e
t
a
l
.
[
8
]
to
ad
d
r
ess
th
e
ass
o
ciate
d
is
s
u
e
s
o
f
v
is
u
al
q
u
alit
y
of
n
atu
r
al
te
x
tu
r
e
s
.
A
n
in
n
o
v
ati
v
e
r
esid
u
al
ch
a
n
n
e
l
atten
tio
n
b
lo
ck
w
a
s
s
u
g
g
este
d
to
b
u
ild
R
C
A
-
G
A
N,
w
h
ich
co
m
p
r
is
es
a
co
ll
ec
tio
n
o
f
r
e
s
id
u
al
b
lo
ck
s
w
it
h
s
h
o
r
tcu
t
co
n
n
ec
tio
n
s
an
d
a
ch
an
n
el
atte
n
tio
n
m
ec
h
a
n
i
s
m
t
o
m
i
m
ic
t
h
e
in
ter
d
ep
en
d
en
ce
an
d
in
ter
ac
tio
n
o
f
f
ea
t
u
r
e
r
ep
r
esen
tatio
n
s
ac
r
o
s
s
m
u
ltip
le
ch
a
n
n
els.
Fu
r
t
h
er
m
o
r
e,
a
GA
N
g
e
n
er
ate
d
r
ea
lis
tic
a
n
d
h
i
g
h
l
y
d
etailed
o
u
tp
u
ts
.
T
ak
i
n
g
ad
v
an
tag
e
o
f
th
ese
ad
v
an
ce
m
e
n
ts
,
t
h
e
s
u
g
g
ested
RCA
-
G
A
N
g
e
n
er
taed
r
e
m
ar
k
ab
le
v
i
s
u
a
l
q
u
alit
y
w
it
h
m
o
r
e
r
ea
lis
tic
an
d
n
at
u
r
al
te
x
tu
r
e
s
th
a
n
b
a
s
elin
e
m
o
d
els
a
n
d
attai
n
s
e
q
u
iv
ale
n
t
o
r
b
etter
p
er
f
o
r
m
a
n
ce
i
n
a
co
m
p
ar
is
o
n
t
o
s
tate
-
of
-
t
h
e
-
ar
t a
p
p
r
o
ac
h
es f
o
r
r
ea
l
-
w
o
r
ld
p
ictu
r
e
SR
.
L
i
u
et
a
l.
[
9
]
lo
o
k
ed
at
a
d
ee
p
-
lear
n
i
n
g
p
ictu
r
e
SR
tech
n
iq
u
e
f
r
eq
u
en
t
l
y
ap
p
lied
to
f
ac
e
r
ec
o
g
n
itio
n
,
v
id
eo
p
er
ce
p
tio
n
,
an
d
o
th
er
a
r
ea
s
—
u
s
u
al
l
y
,
t
h
e
h
i
g
h
-
f
r
eq
u
en
c
y
te
x
t
u
r
e
d
etails
in
t
h
ese
GAN
s
.
L
R
p
h
o
to
s
Evaluation Warning : The document was created with Spire.PDF for Python.
I
SS
N
:
1
6
9
3
-
6930
T
E
L
KOM
NI
K
A
T
elec
o
m
m
u
n
C
o
m
p
u
t E
l
C
o
n
tr
o
l
,
Vo
l.
23
,
No
.
4
,
A
u
g
u
s
t
20
25
:
1
032
-
1
0
4
5
1034
m
i
g
h
t
b
e
u
s
ed
as
a
r
e
f
er
en
ce
i
m
a
g
e
b
y
tr
a
n
s
f
er
r
in
g
t
h
e
p
er
tin
en
t
tex
tu
r
es
f
r
o
m
h
i
g
h
-
r
e
s
o
lu
tio
n
p
h
o
to
g
r
ap
h
s
.
T
h
e
m
o
s
t
r
ec
en
t
tec
h
n
iq
u
es
e
m
p
lo
y
tr
a
n
s
f
o
r
m
er
p
r
in
c
ip
les
to
tr
an
s
f
er
r
ele
v
a
n
t
te
x
t
u
r
es
to
LR
p
ict
u
r
es
.
Ho
w
e
v
er
,
ch
an
n
el
lear
n
i
n
g
a
n
d
in
tr
icate
tex
tu
r
es
co
n
t
in
u
e
t
o
p
o
s
e
s
o
m
e
ch
a
lle
n
g
es.
A
s
a
r
esu
lt,
L
iu
et
a
l.
[
9
]
s
u
g
g
e
s
ted
an
en
h
an
ce
d
tex
t
u
r
e
tr
an
s
f
o
r
m
er
n
et
w
o
r
k
(
E
T
T
N)
to
in
cr
ea
s
e
th
e
ch
an
n
el
le
ar
n
in
g
ca
p
ac
it
y
an
d
tex
t
u
r
e
d
etails.
T
h
i
s
tec
h
n
iq
u
e
w
a
s
ab
le
to
tak
e
th
e
n
ec
e
s
s
ar
y
s
tr
u
ct
u
r
al
d
ata
f
r
o
m
h
i
g
h
-
r
e
s
o
lu
tio
n
te
x
t
u
r
e
p
ictu
r
es
a
n
d
co
n
v
er
t
th
e
m
to
LR
tex
tu
r
e
i
m
a
g
es.
Fin
d
i
n
g
t
h
ef
ea
tu
r
e
m
ap
i
n
t
h
is
w
a
y
a
ll
o
w
s
o
n
e
to
alter
t
h
e
d
etails
o
f
a
p
ictu
r
e
a
n
d
en
h
an
ce
s
c
h
an
n
el
-
to
-
c
h
a
n
n
e
l
lea
r
n
in
g
.
T
h
e
i
m
p
ac
t
o
f
f
u
s
io
n
w
as
th
e
n
f
u
r
t
h
er
en
h
a
n
ce
d
u
s
i
n
g
m
u
lti
-
s
ca
le
f
ea
tu
r
e
in
teg
r
atio
n
(
MSFI
)
,
wh
ich
a
llo
w
ed
u
s
to
ac
co
m
p
lis
h
v
a
r
y
i
n
g
le
v
el
s
o
f
tex
t
u
r
e
r
esto
r
atio
n
.
T
h
e
ex
p
er
i
m
e
n
ts
s
h
o
w
ed
t
h
at
t
h
e
m
o
d
e
l
h
as
a
d
ec
e
n
t
r
eso
lu
tio
n
-
e
n
h
a
n
cin
g
i
n
f
l
u
en
ce
o
n
tex
t
u
r
e
co
n
v
er
ter
s
.
P
SNR
a
n
d
SS
I
M
w
er
e
en
h
a
n
ce
d
b
y
0
.
1
–
0
.
5
d
B
an
d
0
.
0
2
,
r
esp
ec
tiv
ely
,
in
v
ar
io
u
s
d
ataset
s
.
Le
-
T
ien
et
a
l.
[
1
0
]
in
ten
d
e
d
to
ap
p
ly
d
ee
p
lear
n
i
n
g
to
th
e
in
v
er
s
e
p
r
o
b
lem
,
o
n
e
o
f
t
h
e
m
o
s
t
w
el
l
-
k
n
o
w
n
p
r
o
b
le
m
s
t
h
at
h
a
v
e
b
ee
n
a
s
o
u
r
ce
o
f
w
o
r
r
y
f
o
r
a
lo
n
g
ti
m
e:
i
m
a
g
e
SR
.
Si
n
ce
th
en
,
m
a
n
y
m
ac
h
in
e
lear
n
in
g
an
d
d
ee
p
lear
n
in
g
d
o
m
ai
n
s
h
a
v
e
g
a
in
ed
p
ac
e
in
att
e
m
p
tin
g
to
s
o
lv
e
t
h
ese
i
m
ag
i
n
g
c
h
alle
n
g
e
s
.
T
h
e
r
esear
ch
er
s
r
ev
ie
w
ed
d
ee
p
lea
r
n
in
g
m
et
h
o
d
s
f
o
r
h
an
d
li
n
g
p
ictu
r
e
SR
,
co
n
ce
n
tr
atin
g
o
n
th
e
GA
N
m
e
th
o
d
,
an
d
d
is
cu
s
s
e
d
f
u
r
t
h
er
i
m
p
licatio
n
s
f
o
r
t
h
e
G
AN
to
co
m
p
le
te
th
e
j
o
b
s
u
cc
e
s
s
f
u
ll
y
.
Mo
r
e
s
p
ec
if
ica
ll
y
,
th
e
y
ex
a
m
in
e
d
t
h
e
e
n
h
an
ce
d
SR
g
en
er
a
ti
v
e
ad
v
er
s
ar
ial
n
et
w
o
r
k
(
E
SR
G
AN)
an
d
r
es
id
u
al
in
r
esid
u
al
d
en
s
e
n
et
w
o
r
k
(
R
R
D
N)
in
tr
o
d
u
ce
d
b
y
t
h
e
“
id
ea
lo
”
tea
m
a
n
d
a
s
s
es
s
ed
th
e
ir
p
er
f
o
r
m
a
n
ce
f
o
r
i
m
a
g
e
S
R
.
T
h
ese
m
et
h
o
d
s
p
r
o
d
u
ce
d
ac
cu
r
ate
r
esu
lt
s
th
a
t
ea
r
n
ed
th
e
m
a
h
i
g
h
r
a
n
k
i
n
g
o
n
th
e
lead
er
b
o
ar
d
o
f
cu
tti
ng
-
ed
g
e
tech
n
iq
u
es
w
it
h
m
a
n
y
o
th
er
d
atasets
,
s
u
c
h
as
Set5
,
Set1
4
,
o
r
DI
V2
K.
T
o
b
e
m
o
r
e
p
r
ec
is
e,
b
y
r
etr
ain
in
g
th
e
s
u
g
g
e
s
ted
m
o
d
el
w
it
h
d
if
f
er
en
t
p
ar
a
m
eter
s
an
d
co
m
p
ar
in
g
it
w
it
h
t
h
eir
o
u
tp
u
t,
t
h
e
r
esear
ch
er
s
in
s
p
ec
ted
th
e
SR
G
A
N
a
n
d
E
SR
G
A
N,
t
w
o
r
en
o
w
n
ed
s
ta
te
-
of
-
t
h
e
-
ar
t
m
e
th
o
d
s
.
Fo
r
r
esear
ch
in
g
Ma
r
s
’
lan
d
f
o
r
m
ch
ar
ac
ter
is
tics
an
d
ex
a
m
i
n
in
g
its
cli
m
ate,
h
i
g
h
-
r
eso
lu
tio
n
Ma
r
s
p
h
o
to
s
ar
e
ess
en
t
ial.
Mo
d
er
n
p
ictu
r
e
SR
tech
n
iq
u
e
s
ar
e
m
o
r
e
ef
f
ec
tiv
e
t
h
a
n
o
ld
er
o
n
es si
n
c
e
th
e
y
ar
e
b
ased
o
n
d
ee
p
lear
n
in
g
o
r
co
n
v
o
lu
t
io
n
al
n
eu
r
al
n
e
t
w
o
r
k
s
(
C
N
Ns
)
.
Ho
w
e
v
er
,
th
ese
d
ee
p
lear
n
in
g
-
b
a
s
ed
alg
o
r
ith
m
s
o
f
ten
u
s
e
an
id
ea
l
d
o
w
n
-
s
a
m
p
lin
g
m
et
h
o
d
(
s
u
c
h
as
b
icu
b
ic
in
ter
p
o
latio
n
)
to
cr
ea
te
L
R
p
i
ctu
r
es.
T
h
e
cu
r
r
en
t
SR
tec
h
n
i
q
u
es
h
av
e
t
w
o
d
r
aw
b
ac
k
s
:
(
i)
w
h
e
n
ev
al
u
ated
o
n
an
id
ea
l
d
ataset
,
th
e
p
air
ed
L
R
h
i
g
h
-
r
eso
l
u
tio
n
d
ata
u
tili
zin
g
s
u
ch
ap
p
r
o
ac
h
es
ca
n
p
r
o
d
u
ce
a
s
atis
f
y
i
n
g
r
es
u
lt.
Ho
w
ev
er
,
as
g
e
n
u
in
e
Ma
r
s
p
h
o
to
g
r
ap
h
s
r
ar
el
y
ad
h
er
e
to
a
p
e
r
f
ec
t
d
o
w
n
-
s
a
m
p
lin
g
n
o
r
m
,
th
e
s
e
ap
p
r
o
ac
h
es
co
u
ld
b
e
m
o
r
e
ef
f
ec
t
iv
e
f
o
r
th
e
SR
o
f
a
u
t
h
en
t
ic
Ma
r
s
i
m
ag
e
s
;
a
n
d
(
ii)
t
h
e
s
u
p
er
-
r
eso
lv
ed
p
h
o
to
s
ar
e
n
o
t
r
ea
lis
tic
i
n
tex
t
u
r
e
d
etail
s
b
ec
au
s
e
th
e
L
R
i
m
a
g
es
p
r
o
d
u
ce
d
b
y
p
er
f
ec
t d
o
w
n
-
s
a
m
p
lin
g
al
g
o
r
ith
m
s
h
a
v
e
n
o
n
o
i
s
e,
b
u
t r
ea
l M
ar
s
p
h
o
to
g
r
ap
h
s
t
y
p
icall
y
d
o
.
W
an
g
et
a
l.
[
1
1
]
p
r
o
v
id
e
d
a
u
n
iq
u
e
t
w
o
-
s
tep
ap
p
r
o
ac
h
f
o
r
Ma
r
s
i
m
a
g
e
SR
to
a
d
d
r
ess
th
e
ab
o
v
e
m
en
tio
n
ed
is
s
u
e
s
.
T
h
e
y
co
n
ce
n
tr
ate
d
o
n
cr
ea
tin
g
a
n
o
v
el
d
eg
r
ad
atio
n
f
r
a
m
e
w
o
r
k
b
y
p
r
ed
ictin
g
b
lu
r
k
er
n
el
s
to
s
o
lv
e
r
estrictio
n
o
n
e
s
p
ec
if
icall
y
.
A
G
A
N
w
a
s
tr
ain
ed
to
p
r
o
d
u
ce
n
o
is
e
d
is
tr
ib
u
tio
n
to
m
ee
t
r
estrictio
n
.
E
x
te
n
s
i
v
e
test
s
o
n
th
e
Ma
r
s
3
2
k
d
ataset
elab
o
r
at
ed
th
e
co
m
p
eten
ce
o
f
t
h
e
p
r
o
p
o
s
ed
m
et
h
o
d
,
an
d
o
u
tp
er
f
o
r
m
ed
ex
i
s
ti
n
g
S
OT
A
m
et
h
o
d
s
in
ter
m
s
o
f
q
u
a
lit
y
a
n
d
q
u
an
tit
y
o
f
f
in
d
i
n
g
s
.
L
i
n
et
a
l.
[
1
2
]
s
u
g
g
e
s
t
ed
a
d
e
ep
u
n
s
u
p
er
v
is
ed
lear
n
i
n
g
m
et
h
o
d
f
o
r
SR
u
s
i
n
g
a
f
r
a
m
e
w
o
r
k
ca
lled
a
GAN,
w
h
ich
co
n
s
i
s
ts
o
f
a
d
i
s
cr
i
m
i
n
ato
r
an
d
a
d
ee
p
co
n
v
o
lu
tio
n
al
g
en
er
ato
r
n
e
t
w
o
r
k
w
i
th
d
en
s
e
co
n
n
ec
tio
n
s
.
T
h
e
in
p
u
ts
w
er
e
u
p
s
ca
led
u
s
i
n
g
a
s
u
b
-
p
ix
el
co
n
v
o
lu
t
io
n
al
l
a
y
er
o
p
er
ated
o
n
to
p
o
f
th
e
g
en
er
ato
r
,
an
d
all
o
f
th
e
u
s
u
a
l
co
n
v
o
lu
tio
n
s
ar
e
p
er
f
o
r
m
ed
in
t
h
e
L
R
s
p
ac
e,
r
esu
lti
n
g
in
a
q
u
ic
k
r
esto
r
atio
n
.
W
h
en
g
iv
e
n
a
LR
i
m
a
g
e,
th
e
g
e
n
er
ato
r
is
tau
g
h
t
to
r
ec
o
v
er
th
e
h
ig
h
-
r
eso
l
u
ti
o
n
i
m
ag
e
i
m
m
ed
iatel
y
.
T
o
d
is
tin
g
u
is
h
th
e
h
ig
h
-
r
eso
lu
tio
n
i
m
a
g
es
f
r
o
m
th
e
p
r
o
d
u
ce
d
h
ig
h
-
r
eso
l
u
tio
n
i
m
a
g
e
s
,
th
e
d
is
cr
i
m
in
ato
r
u
s
ed
s
tr
id
ed
co
n
v
o
lu
tio
n
a
n
d
R
eL
U
ac
ti
v
atio
n
s
.
L
o
ca
l
-
g
lo
b
al
co
n
ten
t
co
n
s
is
te
n
c
y
an
d
p
i
x
el
f
ait
h
f
u
l
n
es
s
w
er
e
g
u
ar
a
n
te
ed
b
y
t
h
e
g
e
n
er
ato
r
m
o
d
el
’
s
o
p
ti
m
izatio
n
,
w
h
ich
co
m
b
i
n
es
a
d
ata
er
r
o
r
,
a
c
o
m
m
o
n
ter
m
,
an
d
an
ad
v
er
s
ar
ial
lo
s
s
.
Ho
w
ev
er
,
n
o
lab
eled
tr
ain
in
g
d
ata
w
er
e
u
s
e
d
f
o
r
th
e
tr
ain
in
g
.
E
x
p
er
i
m
en
t
al
f
i
n
d
in
g
s
a
n
d
co
m
p
ar
is
o
n
s
w
it
h
s
ev
er
al
c
u
tti
n
g
-
ed
g
e
s
u
p
er
v
is
ed
lear
n
-
b
ased
m
et
h
o
d
s
s
h
o
w
ed
t
h
at
th
e
p
r
o
p
o
s
ed
m
o
d
el
ac
h
ie
v
es
a
co
m
p
ar
ab
le
r
esu
lt
in
b
o
t
h
q
u
an
t
ita
tiv
e
an
d
q
u
a
litati
v
e
m
ea
s
u
r
e
m
en
t
s
.
T
h
e
r
esu
lts
a
ls
o
ascer
tain
ed
t
h
e
r
eliab
ilit
y
a
n
d
ef
f
ic
ien
c
y
o
f
t
h
e
s
u
g
g
e
s
ted
u
n
s
u
p
er
v
i
s
ed
lear
n
i
n
g
-
b
ased
SIS
R
alg
o
r
it
h
m
.
A
d
ee
p
lear
n
in
g
ap
p
r
o
ac
h
b
a
s
ed
o
n
a
GA
N
w
as
i
n
tr
o
d
u
ce
d
b
y
L
i
u
et
a
l.
[
1
3
]
to
ac
h
iev
e
SR
i
n
co
h
er
en
t
i
m
a
g
i
n
g
s
y
s
te
m
s
.
T
h
is
ap
p
r
o
ac
h
ca
n
i
m
p
r
o
v
e
t
h
e
r
eso
lu
tio
n
o
f
co
h
esi
v
e
i
m
a
g
in
g
s
y
s
te
m
s
r
es
tr
icted
b
y
d
i
f
f
r
ac
tio
n
an
d
p
ix
e
l
s
ize.
Su
p
er
-
r
eso
l
v
i
n
g
co
m
p
le
x
v
a
lu
ed
p
ictu
r
es
ca
p
tu
r
ed
u
s
i
n
g
a
len
s
le
s
s
o
n
-
c
h
ip
h
o
lo
g
r
ap
h
ic
m
icr
o
s
co
p
e,
w
h
o
s
e
r
eso
lu
tio
n
w
a
s
p
ix
el
s
ize
-
li
m
ited
,
w
er
e
u
s
ed
to
v
alid
ate
th
e
ca
p
ab
ilit
ies
o
f
t
h
e
p
r
o
p
o
s
ed
tech
n
iq
u
e
ex
p
er
i
m
e
n
tall
y
.
A
le
n
s
-
b
ased
h
o
lo
g
r
ap
h
ic
i
m
a
g
i
n
g
s
y
s
te
m
w
i
th
r
eso
l
u
tio
n
co
n
s
tr
ain
ed
b
y
th
e
n
u
m
er
ical
ap
er
tu
r
e
o
f
its
o
b
j
ec
tiv
e
len
s
w
as
also
en
h
a
n
ce
d
u
s
i
n
g
t
h
e
s
a
m
e
G
A
N
-
b
a
s
ed
m
e
th
o
d
.
I
m
a
g
e
d
ata
an
d
co
n
v
o
lu
tio
n
a
l
n
eu
r
al
n
et
w
o
r
k
s
ca
n
i
m
p
r
o
v
e
th
e
s
p
ac
e
-
b
an
d
w
id
th
p
r
o
d
u
ct
o
f
co
h
er
en
t
i
m
a
g
in
g
s
y
s
te
m
s
w
it
h
t
h
e
h
elp
o
f
t
h
is
d
ee
p
lear
n
in
g
-
b
ased
SR
f
r
a
m
e
w
o
r
k
.
Xu
et
a
l.
[
1
4
]
o
f
f
er
r
ed
a
a
d
m
in
i
s
ter
ed
g
en
er
ati
v
e
ad
v
er
s
ar
ial
n
ets
tech
n
iq
u
e
to
r
ec
o
v
er
h
ig
h
-
r
eso
lu
tio
n
ch
e
s
t
X
-
r
a
y
C
X
R
p
ictu
r
es
f
r
o
m
L
R
co
u
n
ter
p
ar
ts
w
h
ile
p
r
eser
v
i
n
g
p
ath
o
l
o
g
ical
i
n
v
ar
ia
n
ce
.
P
ar
ticu
lar
l
y
,
th
e
s
u
p
p
le
m
e
n
ta
r
y
lab
el
in
f
o
r
m
a
tio
n
w
as
ad
d
ed
to
lim
it
th
e
f
ea
tu
r
e
cr
ea
tio
n
to
co
m
b
at
th
e
p
o
s
s
ib
le
d
an
g
er
o
f
p
a
th
o
lo
g
ic
al
v
ar
iatio
n
.
T
h
en
,
w
it
h
t
h
e
as
s
u
r
a
n
ce
o
f
th
eo
r
etica
l
v
alid
ati
o
n
in
m
an
a
g
i
n
g
th
e
Evaluation Warning : The document was created with Spire.PDF for Python.
T
E
L
KOM
NI
K
A
T
elec
o
m
m
u
n
C
o
m
p
u
t E
l
C
o
n
tr
o
l
Dee
p
lea
r
n
in
g
-
b
a
s
ed
ima
g
e
s
u
p
er
-
r
eso
lu
tio
n
u
s
in
g
g
e
n
era
tive
a
d
ve
r
s
a
r
ia
l
…
(
Ha
n
i Q
.
R
.
A
l
-
Zo
u
b
i
)
1035
L
ip
s
c
h
itz
b
o
u
n
d
o
f
t
h
e
d
is
cr
im
i
n
ato
r
,
s
p
ec
tr
al
n
o
r
m
al
izatio
n
w
a
s
co
n
s
tr
u
cted
to
r
eg
u
late
th
e
p
er
f
o
r
m
an
ce
o
f
th
e
d
is
cr
i
m
in
a
tiv
e
n
et
w
o
r
k
.
C
o
m
p
ar
ed
to
co
n
te
m
p
o
r
ar
y
s
tate
-
of
-
th
e
-
ar
t
m
et
h
o
d
o
lo
g
ies,
q
u
an
ti
tati
v
e
an
d
q
u
alitati
v
e
ev
al
u
atio
n
s
s
h
o
w
e
d
th
at
th
e
p
r
o
p
o
s
ed
m
eth
o
d
ca
n
p
r
o
v
id
e
m
o
r
e
au
th
e
n
tic
C
X
R
SR
i
m
p
r
o
v
e
m
en
t.
On
t
w
o
d
atasets
,
t
h
e
p
r
o
p
o
s
ed
tech
n
iq
u
e
s
u
r
p
ass
ed
th
e
av
er
a
g
e
b
y
1
3
.
0
%,
1
2
.
2
%
in
FS
I
M,
an
d
1
3
.
7
%,
1
2
.
5
%
in
MSI
M.
Fu
r
th
er
m
o
r
e,
th
e
GAN
-
tr
ai
n
an
d
G
A
N
-
test
g
e
n
er
ativ
e
p
er
f
o
r
m
a
n
ce
in
d
ices
g
en
er
taed
av
er
ag
e
in
cr
e
m
e
n
t
s
o
f
9
.
3
%
a
n
d
1
0
.
5
%
o
n
t
h
e
C
XR
2
d
ataset,
r
e
s
p
ec
tiv
el
y
.
R
e
g
ar
d
in
g
p
ath
o
lo
g
i
ca
l
in
v
ar
ian
ce
a
n
d
ac
ce
p
tab
ilit
y
,
s
u
b
j
ec
tiv
e
ev
al
u
atio
n
o
n
S
R
C
X
R
s
u
r
p
ass
ed
av
er
a
g
e
s
co
r
es o
f
0
.
4
2
5
an
d
0
.
5
2
5
,
r
esp
ec
tiv
el
y
.
B
y
e
m
p
lo
y
i
n
g
th
e
G
A
N
f
r
a
m
e
w
o
r
k
,
P
r
aj
ap
ati
et
a
l.
[
1
5
]
s
u
g
g
es
ted
a
n
o
v
el
S
R
m
et
h
o
d
ca
lled
USI
SR
e
s
N
et
to
cr
ea
te
h
i
g
h
-
q
u
alit
y
S
R
i
m
a
g
es
f
o
r
p
er
ce
p
t
u
al
ex
a
m
i
n
atio
n
.
T
h
ey
al
s
o
o
f
f
er
r
ed
an
u
n
k
n
o
w
n
lo
s
s
f
u
n
c
tio
n
b
ased
o
n
th
e
M
OS
.
E
x
ten
s
i
v
e
test
s
o
n
th
e
v
alid
atio
n
(
T
r
ac
k
-
1
)
s
et
o
f
th
e
NT
I
R
E
-
2
0
2
0
r
eal
-
w
o
r
ld
SR
c
h
alle
n
g
e
an
d
test
i
n
g
d
ataset
s
(
T
r
ac
k
-
1
an
d
T
r
a
ck
-
2
)
w
er
e
u
s
ed
to
co
n
f
ir
m
t
h
e
ef
f
icac
y
o
f
t
h
e
p
r
o
p
o
s
ed
ar
ch
itectu
r
e.
T
h
e
r
es
ea
r
ch
er
s
co
m
p
ar
ed
r
ea
l
-
w
o
r
ld
p
h
o
to
s
to
o
th
er
cu
ttin
g
-
ed
g
e
t
ec
h
n
iq
u
es
t
h
at
u
s
e
s
y
n
t
h
etica
ll
y
d
o
w
n
-
s
a
m
p
led
L
R
i
m
a
g
es
to
s
h
o
w
th
e
p
r
o
p
o
s
ed
n
et
w
o
r
k
’
s
g
e
n
er
aliza
b
i
lit
y
.
T
h
e
s
u
g
g
e
s
ted
n
et
w
o
r
k
w
a
s
al
s
o
test
ed
o
n
th
e
NT
I
R
E
2
0
2
0
r
eal
-
w
o
r
ld
S
R
c
h
alle
n
g
e
d
ata
s
et,
w
h
er
e
th
e
m
eth
o
d
d
e
m
o
n
s
tr
ate
s
d
ep
en
d
ab
ly
ac
c
u
r
ate
r
esu
lt
s
.
Mo
s
t
i
m
ag
e
S
R
m
eth
o
d
s
b
ased
o
n
d
ee
p
lear
n
i
n
g
d
o
n
o
t
u
s
e
d
o
w
n
s
a
m
p
li
n
g
d
u
r
in
g
t
h
e
r
ec
o
n
s
tr
u
ctio
n
p
h
ase.
Gi
v
en
t
h
is
r
ea
lit
y
a
n
d
m
o
ti
v
ated
b
y
th
e
iter
atio
n
co
n
ce
p
t,
th
e
y
p
u
t
f
o
r
th
a
u
n
iq
u
e
i
m
ag
e
SR
tec
h
n
iq
u
e
b
ased
o
n
d
ee
p
C
NN
an
d
t
h
e
d
o
w
n
-
s
a
m
p
lin
g
iter
ati
v
e
m
o
d
u
le
th
a
t
i
n
v
e
s
ti
g
ates
a
n
e
w
f
u
n
d
a
m
en
ta
l
iter
ativ
e
m
o
d
u
le
in
te
g
r
atin
g
u
p
-
an
d
d
o
w
n
-
s
a
m
p
lin
g
p
r
o
ce
s
s
es.
T
h
e
in
ter
m
ed
iate
L
R
p
r
ed
ictio
n
an
d
th
e
h
i
g
h
-
r
eso
l
u
tio
n
p
ict
u
r
e
ar
e
p
r
o
d
u
ce
d
at
ea
ch
iter
atio
n
o
f
th
e
iter
ati
v
e
m
o
d
u
le.
T
h
e
w
ei
g
h
ted
ag
g
r
e
g
at
e
o
f
th
e
m
id
d
le
-
a
n
ticip
ated
i
m
a
g
es
p
r
o
d
u
ce
d
b
y
s
ev
er
al
r
o
u
n
d
s
y
ield
s
th
e
f
i
n
al
r
ec
o
n
s
tr
u
ct
ed
r
esu
lt.
T
h
e
y
u
s
e
th
e
ad
ap
tiv
e
lo
s
s
f
u
n
c
tio
n
t
o
ac
h
iev
e
q
u
ic
k
co
n
v
er
g
e
n
c
e
an
d
p
r
ec
is
e
r
ec
o
n
s
tr
u
ctio
n
d
u
r
i
n
g
tr
ain
in
g
.
R
eg
ar
d
in
g
o
b
j
ec
tiv
e
p
er
f
o
r
m
an
ce
ev
a
lu
at
io
n
a
n
d
v
i
s
u
a
l
e
f
f
ec
ts
,
t
h
o
r
o
u
g
h
e
x
p
er
i
m
e
n
tal
co
m
p
ar
is
o
n
s
an
d
an
al
y
s
es d
e
m
o
n
s
tr
ate
th
at
t
h
i
s
m
et
h
o
d
is
s
u
p
er
io
r
to
s
p
ec
if
ic
cu
tti
n
g
-
ed
g
e
tech
n
iq
u
e
s
[
1
6
]
.
T
o
p
r
esen
t
a
th
o
r
o
u
g
h
o
v
er
v
ie
w
o
f
r
ec
en
t
d
ev
elo
p
m
e
n
t
s
in
SISR
f
r
o
m
t
h
e
s
ta
n
d
p
o
in
t
o
f
d
ee
p
lear
n
in
g
,
Ya
n
g
et
a
l.
[
1
7
]
p
r
o
v
id
ed
in
f
o
r
m
atio
n
o
n
th
e
f
ir
s
t
tr
ad
itio
n
al
ap
p
r
o
ac
h
es
f
o
r
i
m
a
g
e
SR
.
T
h
e
r
ev
ie
w
d
iv
id
es
i
m
ag
e
SR
tec
h
n
iq
u
e
s
in
to
f
o
u
r
g
r
o
u
p
s
:
clas
s
ical
s
tr
ateg
ie
s
,
s
u
p
er
v
is
ed
lear
n
i
n
g
-
b
ased
m
eth
o
d
s
,
u
n
s
u
p
er
v
is
ed
lear
n
i
n
g
-
b
ased
t
ec
h
n
iq
u
es,
an
d
d
o
m
ai
n
-
s
p
ec
i
f
ic
SR
tech
n
iq
u
e
s
.
Yan
g
et
a
l.
[
1
7
]
d
is
cu
s
s
ed
th
e
is
s
u
e
o
f
SR
to
o
f
f
er
in
s
ig
h
t
in
to
p
ictu
r
e
q
u
alit
y
m
ea
s
u
r
e
m
en
ts
,
ac
ce
s
s
ib
le
r
ef
er
en
ce
d
atasets
,
an
d
SR
d
if
f
ic
u
lt
ies.
U
s
i
n
g
a
r
ef
er
e
n
c
e
d
ataset,
d
ee
p
lear
n
i
n
g
-
b
ase
d
tech
n
iq
u
es
to
S
R
w
er
e
a
s
s
ess
ed
.
T
h
e
c
y
cle
-
i
n
-
c
y
cle
G
A
N
(
C
i
n
C
G
A
N)
,
t
h
e
m
u
ltis
ca
le
r
esid
u
al
n
et
w
o
r
k
(
MSR
N)
,
th
e
m
eta
r
esid
u
al
d
en
s
e
n
et
w
o
r
k
(
Me
ta
-
R
DN)
,
th
e
r
ec
u
r
r
e
n
t
b
ac
k
p
r
o
j
ec
tio
n
n
et
w
o
r
k
(
R
B
P
N)
,
an
d
th
e
s
ec
o
n
d
-
o
r
d
er
atten
tio
n
n
e
t
w
o
r
k
ar
e
s
o
m
e
o
f
th
e
s
tate
-
of
-
t
h
e
-
ar
t i
m
ag
e
S
R
t
ec
h
n
iq
u
es t
h
at
w
er
e
s
t
u
d
ied
.
A
d
ee
p
lear
n
in
g
-
b
ased
tech
n
iq
u
e
f
o
r
m
ed
ical
i
m
a
g
i
n
g
SR
d
u
b
b
ed
Me
d
ical
im
ag
e
s
SR
u
s
i
n
g
g
en
er
ati
v
e
ad
v
er
s
ar
ial
n
et
w
o
r
k
s
(
Me
d
SR
G
A
N)
w
as
cr
ea
ted
b
y
J
ia
et
a
l.
[
1
8
]
.
A
u
n
iq
u
e
c
o
n
v
o
l
u
tio
n
al
n
eu
r
al
n
et
w
o
r
k
ca
lled
th
e
r
esid
u
al
wh
o
le
m
ap
atten
tio
n
n
et
w
o
r
k
(
R
M
A
N)
w
a
s
b
u
ilt
to
ex
tr
ac
t
u
s
ab
le
in
f
o
r
m
atio
n
f
r
o
m
v
ar
io
u
s
c
h
an
n
el
s
a
n
d
f
o
cu
s
m
o
r
e
o
n
s
ig
n
i
f
ica
n
t
r
eg
io
n
s
.
A
l
s
o
,
a
w
ei
g
h
ted
s
u
m
o
f
co
n
te
n
t
lo
s
s
,
ad
v
er
s
ar
ial
lo
s
s
,
an
d
ad
v
er
s
ar
ial
f
ea
tu
r
e
lo
s
s
w
er
e
f
u
s
ed
to
cr
ea
te
a
m
u
lti
-
tas
k
lo
s
s
f
u
n
ct
io
n
d
u
r
in
g
th
e
Me
d
SR
G
A
N
tr
ain
i
n
g
.
Fo
r
tr
ai
n
in
g
a
n
d
a
s
s
es
s
i
n
g
Me
d
SR
G
A
N,
2
4
2
th
o
r
ac
ic
C
T
i
m
a
g
es,
an
d
1
1
0
b
r
ain
MR
I
s
ca
n
s
w
er
e
g
at
h
er
ed
.
T
h
e
r
esu
lts
in
d
icate
d
t
h
at
Me
d
SR
G
AN
cr
ea
tes
m
o
r
e
tr
u
t
h
f
u
l
p
atter
n
s
o
n
r
ec
o
n
s
tr
u
c
ted
SR
p
ictu
r
e
s
an
d
m
a
in
ta
in
s
m
o
r
e
tex
tu
r
e
f
ea
tu
r
e
s
.
C
h
e
n
et
a
l.
[
1
9
]
s
u
g
g
e
s
ted
a
n
et
w
o
r
k
b
ased
o
n
th
e
m
u
lt
i
-
at
t
en
tio
n
G
A
N
(
M
A
-
G
AN)
to
o
b
tain
h
ig
h
-
r
eso
lu
tio
n
r
e
m
o
te
s
e
n
s
i
n
g
p
ict
u
r
es.
P
y
r
a
m
id
co
n
v
o
l
u
tio
n
al
r
esid
u
al
d
en
s
e
(
P
C
R
D)
b
lo
ck
,
atten
tio
n
-
b
ased
u
p
s
a
m
p
li
n
g
(
AUP
)
b
lo
ck
,
an
d
atten
tio
n
-
b
ased
f
u
s
io
n
(
AF)
b
lo
ck
m
a
k
e
u
p
t
h
e
p
r
i
m
ar
y
b
o
d
y
o
f
t
h
e
M
A
-
G
A
N
g
en
er
ato
r
.
T
o
au
to
m
atica
ll
y
le
ar
n
an
d
alter
th
e
s
ize
o
f
r
esid
u
als
f
o
r
b
etter
r
ep
r
esen
tatio
n
,
th
e
P
C
R
D
b
lo
c
k
’
s
cr
ea
ted
atten
tio
n
p
y
r
a
m
id
co
n
v
o
lu
tio
n
al
(
A
ttP
C
o
n
v
)
o
p
er
ato
r
co
m
b
in
e
s
m
u
l
tis
ca
le
co
n
v
o
lu
tio
n
w
it
h
ch
a
n
n
el
atten
tio
n
(
C
A
)
.
T
h
e
estab
lis
h
ed
A
UP
b
lo
ck
p
er
f
o
r
m
ed
ar
b
itra
r
y
u
p
-
s
a
m
p
li
n
g
s
ca
lin
g
u
s
in
g
p
ix
e
l
atten
tio
n
(
P
A
)
.
B
r
an
ch
atte
n
tio
n
(
B
A
)
w
a
s
u
s
ed
i
n
t
h
e
AF
b
lo
ck
to
m
er
g
e
u
p
-
s
a
m
p
led
LR
p
ictu
r
es
w
it
h
h
ig
h
-
le
v
el
c
h
ar
ac
ter
is
tic
s
.
Als
o
,
th
e
lo
s
s
f
u
n
ct
io
n
i
n
co
r
p
o
r
ates b
o
th
f
ea
tu
r
e
lo
s
s
an
d
ad
v
er
s
ar
ial
lo
s
s
.
Fo
r
th
e
r
ec
o
n
s
tr
u
ctio
n
o
f
h
i
g
h
-
r
eso
lu
tio
n
m
ed
ical
i
m
ag
e
s
in
a
v
ir
tu
al
en
v
ir
o
n
m
en
t,
in
[
2
0
]
p
r
esen
ted
th
e
f
ee
d
b
ac
k
ad
ap
tiv
el
y
w
ei
g
h
ted
d
en
s
e
n
et
w
o
r
k
(
F
A
W
D
N)
,
a
tr
u
s
ted
d
ee
p
co
n
v
o
l
u
tio
n
al
n
eu
r
al
n
et
w
o
r
k
-
b
ased
SR
ap
p
r
o
ac
h
.
T
o
b
e
m
o
r
e
p
r
ec
is
e,
th
e
p
r
o
p
o
s
ed
FA
W
DN
ca
n
u
s
e
a
f
ee
d
b
ac
k
li
n
k
to
co
n
v
e
y
d
ata
f
r
o
m
th
e
o
u
tp
u
t
p
ictu
r
e
to
th
e
lo
w
-
lev
el
f
ea
tu
r
es.
An
ad
ap
tiv
e
weig
h
ted
d
en
s
e
b
lo
ck
(
A
W
DB
)
w
as
p
r
ese
n
ted
to
p
ick
th
e
e
s
s
e
n
tial
e
le
m
e
n
t
s
,
e
x
p
lo
r
e
ad
v
an
ce
d
f
ea
tu
r
e
r
ep
r
esen
tat
io
n
,
an
d
eli
m
i
n
a
te
f
ea
t
u
r
e
r
ed
u
n
d
a
n
c
y
i
n
d
en
s
e
b
lo
ck
s
.
E
x
p
er
i
m
e
n
tal
f
i
n
d
in
g
s
s
h
o
w
ed
th
at
th
eir
F
AW
DN
s
u
r
p
ass
es
cu
t
tin
g
-
ed
g
e
i
m
a
g
e
SR
tech
n
iq
u
e
s
an
d
ca
n
g
e
n
er
ate
m
o
r
e
tr
u
s
t
w
o
r
th
y
a
n
d
tr
an
s
p
ar
en
t
m
ed
ical
p
ictu
r
es t
h
an
al
ter
n
ati
v
es.
Un
d
o
u
b
ted
l
y
,
SI
SR
p
r
ese
n
ts
a
n
o
tab
le
ch
all
e
n
g
e
i
n
i
m
ag
e
p
r
o
ce
s
s
in
g
a
s
a
r
es
u
lt
to
t
h
e
li
m
i
tatio
n
s
o
f
tr
ad
itio
n
al
in
ter
p
o
latio
n
ap
p
r
o
ac
h
es t
h
at
f
r
eq
u
en
tl
y
b
e
u
n
s
u
c
ce
s
s
f
u
l to
r
ec
o
v
er
h
ig
h
-
f
r
eq
u
e
n
c
y
d
etail
s
,
ca
u
s
in
g
in
i
m
a
g
e
s
th
at
lac
k
p
r
ec
is
io
n
[
2
1
]
,
[
2
2
]
.
T
h
e
n
ea
r
est
n
ei
g
h
b
o
r
,
b
ilin
ea
r
,
an
d
b
icu
b
ic
i
n
ter
p
o
latio
n
ar
e
th
e
ex
is
ted
s
o
lu
tio
n
s
,
w
h
ile
ca
n
ef
f
ec
ti
v
el
y
r
eso
l
v
e
th
e
is
s
u
e.
Ho
w
e
v
er
,
th
ese
o
p
tio
n
s
c
an
n
o
t
s
ati
s
f
ac
to
r
il
y
Evaluation Warning : The document was created with Spire.PDF for Python.
I
SS
N
:
1
6
9
3
-
6930
T
E
L
KOM
NI
K
A
T
elec
o
m
m
u
n
C
o
m
p
u
t E
l
C
o
n
tr
o
l
,
Vo
l.
23
,
No
.
4
,
A
u
g
u
s
t
20
25
:
1
032
-
1
0
4
5
1036
d
is
co
u
r
s
e
t
h
e
lo
s
s
o
f
i
n
f
o
r
m
atio
n
t
h
r
o
u
g
h
o
u
t
th
e
u
p
-
s
a
m
p
lin
g
p
r
o
ce
s
s
.
Als
o
,
th
e
co
n
v
en
t
io
n
al
m
ac
h
i
n
e
lear
n
in
g
tec
h
n
iq
u
e
s
r
eg
u
lar
l
y
d
ep
en
d
o
n
h
a
n
d
cr
af
ted
c
h
a
r
ac
ter
is
tics
,
w
h
ic
h
ca
n
b
o
r
d
e
r
th
eir
e
f
f
icac
y
i
n
ca
p
tu
r
in
g
co
m
p
licated
p
atter
n
s
i
n
d
ata.
T
h
e
f
o
r
em
o
s
t
co
n
s
tr
ai
n
ts
co
m
p
r
i
s
e
th
e
i
n
ca
p
ab
ilit
y
o
f
tr
ad
itio
n
a
l
ap
p
r
o
ac
h
es
to
ef
f
ec
tu
a
ll
y
le
v
er
ag
e
co
n
tex
t
u
al
i
n
f
o
r
m
atio
n
an
d
th
e
co
m
p
u
tat
i
o
n
al
i
n
ef
f
icien
cie
s
r
elate
d
to
co
n
v
e
n
tio
n
al
n
u
m
er
ical
m
o
d
el
s
,
w
h
ic
h
ca
n
d
eter
r
ea
l
-
ti
m
e
ap
p
licatio
n
s
.
R
ef
er
r
i
n
g
to
th
e
ab
o
v
e
d
is
cu
s
s
ed
s
tu
d
ies,
th
e
m
ai
n
co
n
ce
r
n
th
at
ca
n
b
e
ad
d
r
ess
ed
in
th
is
r
esear
ch
is
th
e
c
h
alle
n
g
e
o
f
SIS
R
,
w
h
er
e
tr
ad
itio
n
al
i
n
ter
p
o
lati
o
n
ap
p
o
r
ac
h
es
s
u
c
h
a
s
n
ea
r
e
s
t
n
ei
g
h
b
o
r
,
b
ilin
ea
r
,
a
n
d
b
icu
b
ic
f
r
eq
u
e
n
tl
y
f
ail
to
r
ec
u
p
er
ate
h
ig
h
-
f
r
eq
u
e
n
c
y
d
etail
s
.
T
h
is
in
tu
r
n
w
o
u
ld
lead
to
lo
w
-
q
u
alit
y
i
m
a
g
es.
T
h
e
m
o
s
t
e
x
is
ted
s
o
lu
t
io
n
s
h
av
e
i
n
cr
ea
s
i
n
g
l
y
m
o
ti
v
ated
o
n
d
ee
p
lear
n
i
n
g
m
e
th
o
d
s
,
p
r
e
d
o
m
i
n
a
n
tl
y
G
A
N
s
,
w
h
ic
h
d
is
p
la
y
p
o
te
n
tial
i
n
au
g
m
e
n
ti
n
g
i
m
a
g
e
r
eso
l
u
tio
n
an
d
p
er
ce
p
tu
al
q
u
a
lit
y
.
H
o
w
e
v
er
,
s
u
b
s
ta
n
tia
l
co
n
s
tr
ain
ts
en
d
u
r
e,
in
cl
u
d
in
g
th
e
d
ep
en
d
en
ce
o
f
co
n
v
e
n
tio
n
al
m
ac
h
i
n
e
lear
n
i
n
g
ap
p
r
o
ac
h
es
o
n
h
a
n
d
cr
af
ted
ch
ar
ac
ter
is
tic
s
,
w
h
ic
h
r
estricts
th
eir
ca
p
ac
it
y
to
ca
p
tu
r
e
co
m
p
licated
p
atter
n
s
,
an
d
th
e
co
m
p
u
tat
io
n
al
in
e
f
f
ic
ien
cie
s
r
elate
d
to
tr
ad
itio
n
al
n
u
m
er
ical
m
o
d
els
t
h
at
d
eter
r
ea
l
-
ti
m
e
i
m
p
licat
io
n
s
.
T
o
s
y
s
te
m
atica
ll
y
r
eso
lv
e
th
e
o
u
tli
n
ed
is
s
u
es,
t
h
e
m
ain
ai
m
o
f
th
i
s
s
t
u
d
y
i
s
to
d
ev
elo
p
a
d
ee
p
lear
n
in
g
-
b
a
s
ed
ap
p
r
o
ac
h
to
SISR
th
at
le
v
er
ag
e
s
G
A
N
s
w
it
h
ad
ap
tiv
e
lo
s
s
f
u
n
c
tio
n
s
,
tar
g
eti
n
g
to
in
cr
ea
s
e
t
h
e
p
er
ce
p
tu
al
q
u
alit
y
a
n
d
r
eso
lu
tio
n
o
f
i
m
ag
e
s
w
h
ile
r
ea
lizin
g
th
e
in
ad
eq
u
ac
ie
s
o
f
tr
ad
itio
n
al
a
p
p
r
o
ac
h
es.
T
h
e
m
o
tiv
at
io
n
s
t
e
m
s
f
r
o
m
t
h
e
r
ap
id
p
r
o
g
r
ess
io
n
s
i
n
d
ee
p
lear
n
in
g
tech
n
iq
u
es,
w
h
ich
h
a
v
e
d
is
p
la
y
ed
p
o
ten
tial
in
tr
an
s
f
o
r
m
i
n
g
SISR
b
y
p
r
o
v
id
in
g
en
d
-
to
-
en
d
s
o
l
u
tio
n
s
th
at
as
s
i
m
ilate
f
ea
t
u
r
e
ex
tr
ac
tio
n
,
m
ap
p
in
g
,
an
d
i
m
ag
e
r
ec
o
n
s
tr
u
ctio
n
.
B
y
co
n
ce
n
tr
ati
n
g
o
n
th
ese
p
o
in
ts
,
t
h
e
r
esear
ch
s
ee
k
s
to
i
m
p
r
o
v
e
th
e
o
v
er
al
l
e
f
f
ec
ti
v
e
n
es
s
o
f
SISR
i
m
p
li
ca
tio
n
s
in
d
i
f
f
er
e
n
t
f
ield
s
,
s
u
c
h
as
m
ed
ical
d
ia
g
n
o
s
tics
,
r
e
m
o
te
s
e
n
s
in
g
,
an
d
v
id
eo
s
u
r
v
eilla
n
ce
.
T
h
e
p
r
o
b
a
b
le
r
ew
ar
d
s
o
f
t
h
i
s
r
esear
ch
co
m
p
r
is
e
b
etter
-
q
u
al
i
t
y
i
m
a
g
e
t
h
r
o
u
g
h
t
h
e
r
ec
o
v
er
y
o
f
h
i
g
h
-
f
r
eq
u
en
c
y
d
etails
a
n
d
b
o
o
s
te
d
v
is
u
al
f
id
elit
y
.
B
y
le
v
er
ag
i
n
g
t
h
e
ca
p
ab
ilit
ies
o
f
G
A
Ns
an
d
ad
ap
tiv
e
lo
s
s
f
u
n
ctio
n
s
,
t
h
e
cu
r
r
en
t
r
esear
ch
f
o
cu
s
es
o
n
ac
h
ie
v
in
g
s
u
p
er
io
r
p
e
r
f
o
r
m
a
n
ce
m
etr
ics
i
n
b
o
th
q
u
an
titati
v
e
ass
es
s
m
en
t
s
an
d
p
er
ce
p
tu
al
ev
alu
a
tio
n
s
.
T
h
e
s
ig
n
i
f
ica
n
ce
o
f
th
i
s
r
esear
ch
lies
i
n
its
p
r
o
s
p
ec
tiv
e
to
p
r
o
g
r
ess
th
e
s
tate
-
of
-
th
e
-
ar
t
i
n
SISR
,
p
r
o
v
id
in
g
a
f
r
a
m
e
w
o
r
k
th
a
t
n
o
t
o
n
l
y
e
n
r
ich
e
s
i
m
a
g
e
q
u
al
it
y
b
u
t
also
co
n
tr
ib
u
te
s
to
th
e
b
r
o
ad
er
u
n
d
er
s
tan
d
in
g
o
f
d
ee
p
lear
n
in
g
ap
p
licatio
n
s
in
i
m
a
g
e
p
r
o
ce
s
s
in
g
.
E
x
p
ec
ted
l
y
,
th
i
s
r
esear
ch
w
o
u
ld
p
av
e
th
e
w
a
y
f
o
r
m
o
r
e
co
n
s
is
ten
t
a
n
d
ef
f
ec
t
u
al
i
m
a
g
e
SR
p
r
ac
tices,
as
s
is
t
in
g
ad
v
a
n
ce
m
en
ts
i
n
s
e
v
er
al
p
r
ac
tical
ap
p
licatio
n
s
ac
r
o
s
s
m
u
ltip
le
in
d
u
s
tr
ie
s
.
3.
M
E
T
H
O
D
T
h
e
u
tili
ze
d
m
eth
o
d
o
lo
g
y
i
n
th
is
r
esear
ch
i
n
cl
u
d
es
an
in
clu
s
i
v
e
p
r
o
ce
d
u
r
e
to
th
e
lo
s
s
f
u
n
c
tio
n
d
esig
n
,
w
h
ic
h
is
v
i
tal
to
i
m
p
r
o
v
e
th
e
b
eh
a
v
io
r
o
f
th
e
d
ee
p
lear
n
in
g
m
o
d
el
in
SIS
R
.
T
h
e
lo
s
s
f
u
n
ctio
n
co
n
s
i
s
ts
o
f
th
r
ee
p
r
in
cip
al
m
o
d
u
le
s
:
p
ix
el
lo
s
s
,
ad
v
er
s
ar
ial
lo
s
s
,
an
d
p
r
io
r
lo
s
s
.
P
ix
el
lo
s
s
s
ig
n
if
ies
th
e
d
if
f
er
en
c
e
b
et
w
ee
n
th
e
g
en
er
ated
h
i
g
h
-
r
e
s
o
lu
tio
n
i
m
a
g
e
an
d
th
e
g
r
o
u
n
d
tr
u
th
.
T
h
is
is
class
icall
y
ca
l
cu
lated
u
s
in
g
m
ea
n
s
q
u
ar
ed
er
r
o
r
o
r
p
e
r
ce
p
tu
al
lo
s
s
to
g
u
ar
an
tee
i
m
p
r
o
v
ed
d
etail
r
ec
o
v
er
y
[
2
3
]
.
A
d
v
er
s
ar
ial
l
o
s
s
is
t
h
e
r
esu
l
tan
t
f
r
o
m
t
h
e
d
is
cr
i
m
i
n
ato
r
n
et
w
o
r
k
in
t
h
e
G
AN
f
r
a
m
e
w
o
r
k
,
d
r
iv
in
g
t
h
e
g
en
er
ato
r
to
g
e
n
er
ate
i
m
a
g
es
t
h
at
ar
e
b
lu
r
r
y
f
r
o
m
r
ea
l
h
ig
h
-
r
eso
lu
ti
o
n
i
m
a
g
es.
I
n
t
u
r
n
,
t
h
is
w
o
u
l
d
en
h
an
ce
t
h
e
p
er
ce
p
tu
al
q
u
a
lit
y
f
o
llo
w
in
g
t
h
e
co
n
ce
p
ts
o
f
[
2
4
]
.
P
r
i
o
r
lo
s
s
ca
n
al
s
o
in
co
r
p
o
r
ate
p
r
io
r
in
f
o
r
m
atio
n
ab
o
u
t
i
m
a
g
e
s
tr
u
ct
u
r
es
,
s
er
v
i
n
g
to
p
r
eser
v
e
lo
g
ical
te
x
t
u
r
es
a
n
d
to
p
o
g
r
ap
h
ies
t
h
r
o
u
g
h
o
u
t
t
h
e
r
ec
o
n
s
tr
u
ct
io
n
p
r
o
ce
s
s
[
6
]
.
B
y
i
n
teg
r
ati
n
g
t
h
e
lo
s
s
m
o
d
u
les,
th
e
p
r
o
j
ec
te
d
p
r
o
ce
d
u
r
e
n
o
t
o
n
l
y
o
b
s
er
v
e
s
to
w
ell
-
k
n
o
w
n
p
r
ac
tices
in
t
h
e
f
ield
b
u
t
al
s
o
au
g
m
e
n
t
s
th
e
m
o
d
el
’
s
ca
p
ab
ilit
y
to
h
ar
v
e
s
t
h
ig
h
-
q
u
alit
y
s
u
p
er
-
r
eso
l
v
ed
i
m
a
g
e
s
.
T
h
is
co
m
p
r
eh
en
s
i
v
e
tactic
wo
u
ld
g
u
ar
a
n
tee
t
h
e
leg
alit
y
an
d
r
ep
r
o
d
u
cib
ilit
y
o
f
th
e
r
esear
ch
,
as
it
o
u
tli
n
es
u
p
o
n
p
r
ev
io
u
s
l
y
p
u
b
lis
h
ed
tech
n
iq
u
es
b
esid
e
s
g
iv
in
g
clea
r
g
u
id
eli
n
e
s
f
o
r
ap
p
licatio
n
an
d
v
al
u
atio
n
,
t
h
er
ef
o
r
e
e
m
p
o
w
er
in
g
f
u
r
t
h
er
r
esear
ch
in
SISR
ap
p
licatio
n
s
.
T
h
e
f
o
llo
w
in
g
s
e
ctio
n
s
d
e
m
o
n
s
tr
ate
t
h
e
d
etails
o
f
th
e
u
tu
lis
ed
m
o
d
u
les.
3
.
1
.
L
o
s
s
f
un
ct
io
n
T
h
i
s
s
e
c
t
i
o
n
i
n
t
en
d
s
t
o
i
l
lu
s
t
r
ta
e
th
e
o
v
e
r
a
l
l
l
o
s
s
f
u
n
c
t
i
o
n
u
s
e
d
i
n
t
h
e
cu
r
r
en
t
m
o
d
e
l
,
w
h
i
ch
in
te
g
r
at
es
m
u
l
ti
p
l
e
c
o
m
p
o
n
en
ts
t
o
en
s
u
r
e
ef
f
e
c
t
iv
e
t
r
ai
n
in
g
o
f
th
e
GA
N
.
T
h
e
in
te
g
r
a
t
i
o
n
o
f
p
i
x
e
l
l
o
s
s
,
ad
v
e
r
s
a
r
i
a
l l
o
s
s
,
a
n
d
p
r
i
o
r
l
o
s
s
w
o
u
l
d
b
e
in
t
r
o
d
u
ce
d
t
o
s
p
e
c
if
y
th
ei
r
c
o
n
t
r
i
b
u
t
i
o
n
s
t
o
t
h
e
o
v
e
r
al
l
p
e
r
f
o
r
m
a
n
c
e
o
f
th
e
m
o
d
e
l
[
2
5
]
,
[
2
6
]
.
P
er
ce
p
tio
n
b
ased
o
n
GA
N
B
ec
au
s
e
o
f
th
e
ad
v
er
s
ar
ial
n
e
t
w
o
r
k
,
SIS
R
m
a
y
cr
ea
te
r
ea
lis
tic
i
m
ag
e
s
.
Mo
s
t
r
esear
ch
u
s
es
v
ar
io
u
s
l
o
s
s
f
u
n
c
tio
n
s
w
h
i
le
b
u
ild
i
n
g
th
e
G
A
N
n
et
w
o
r
k
to
i
m
p
r
o
v
e
p
ictu
r
e
-
p
er
ce
iv
ed
q
u
alit
y
f
u
r
t
h
er
.
I
n
S
R
G
AN,
[
1
]
e
m
p
lo
y
ed
a
p
er
ce
p
tu
al
lo
s
s
f
u
n
ct
io
n
t
h
at
in
co
r
p
o
r
ates
co
n
t
en
t
a
n
d
ad
v
er
s
ar
ial
lo
s
s
.
A
p
ix
el
-
b
ased
MSE
lo
s
s
(
L
2
lo
s
s
)
an
d
a
f
ea
t
u
r
e
s
p
ac
e
-
b
ased
v
is
u
al
g
eo
m
etr
y
g
r
o
u
p
(
VGG)
n
et
w
o
r
k
lo
s
s
ar
e
in
clu
d
ed
in
t
h
e
co
n
ten
t
lo
s
s
.
I
n
g
en
er
al,
MSE
i
s
u
s
ed
b
y
th
e
n
et
w
o
r
k
to
g
u
ar
an
tee
th
at
th
e
r
e
-
co
n
s
tr
u
cted
p
ictu
r
e
is
id
en
tical
to
th
e
g
r
o
u
n
d
tr
u
t
h
i
m
a
g
e
[
1
]
.
B
y
ca
lcu
lati
n
g
s
o
m
e
m
is
tak
e
s
,
th
e
lo
s
s
j
o
b
em
p
lo
y
s
t
h
e
SISR
f
u
n
c
tio
n
to
d
ir
ec
t
t
h
e
m
o
d
el
’
s
iter
ati
v
e
o
p
ti
m
iza
tio
n
p
r
o
ce
s
s
.
R
es
e
a
r
ch
e
r
s
h
av
e
d
i
s
c
o
v
e
r
e
d
t
h
a
t
a
m
ix
tu
r
e
o
f
m
an
y
l
o
s
s
f
u
n
ct
i
o
n
s
,
as
o
p
p
o
s
e
d
t
o
a
s
in
g
l
e
l
o
s
s
f
u
n
c
t
i
o
n
,
ca
n
m
o
r
e
ac
cu
r
a
t
e
ly
d
es
c
r
i
b
e
th
e
s
c
en
a
r
i
o
o
f
p
i
c
tu
r
e
Evaluation Warning : The document was created with Spire.PDF for Python.
T
E
L
KOM
NI
K
A
T
elec
o
m
m
u
n
C
o
m
p
u
t E
l
C
o
n
tr
o
l
Dee
p
lea
r
n
in
g
-
b
a
s
ed
ima
g
e
s
u
p
er
-
r
eso
lu
tio
n
u
s
in
g
g
e
n
era
tive
a
d
ve
r
s
a
r
ia
l
…
(
Ha
n
i Q
.
R
.
A
l
-
Zo
u
b
i
)
1037
r
e
s
t
o
r
a
ti
o
n
.
I
t
q
u
i
ck
ly
in
t
r
o
d
u
ce
s
s
ev
e
r
al
f
r
e
q
u
en
tly
u
s
e
d
l
o
s
s
f
u
n
c
t
i
o
n
s
i
n
t
h
i
s
s
e
c
ti
o
n
.
T
h
ese
l
o
s
s
es
a
r
e
d
ef
in
e
d
i
n
th
e
c
o
n
t
o
u
r
o
f
(
1
)
.
=
|
|
−
|
|
2
2
(
1
)
I
n
th
is
i
n
s
ta
n
ce
,
I
HR
s
ta
n
d
s
f
o
r
a
g
r
o
u
n
d
tr
u
th
p
ictu
r
e,
an
d
I
SR
f
o
r
a
SR
i
m
a
g
e
t
h
at
h
as
b
e
en
r
eb
u
ilt.
T
o
f
u
r
th
er
en
h
a
n
ce
i
m
a
g
e
-
p
er
ce
iv
ed
q
u
alit
y
,
t
h
e
n
et
w
o
r
k
ad
d
itio
n
all
y
e
m
p
lo
y
s
V
GG
lo
s
s
.
T
h
is
is
o
n
e
w
a
y
to
ex
p
r
ess
t
h
e
lo
s
s
f
u
n
ctio
n
in
(
2
)
.
=
|
|
(
)
−
(
)
|
|
2
2
(
2
)
Sig
m
a
is
t
h
e
VGG1
9
n
et
w
o
r
k
f
ea
tu
r
e
la
y
er
.
R
ef
er
r
in
g
to
th
e
co
n
ten
t
lo
s
s
m
e
n
tio
n
ed
ab
o
v
e,
th
er
e
i
s
th
e
G
A
N
g
e
n
er
ato
r
’
s
ad
v
er
s
a
r
ial
lo
s
s
L
G_
ad
v
an
d
th
e
d
is
cr
i
m
i
n
ato
r
’
s
ad
v
er
s
ar
ial
lo
s
s
L
D_
ad
v
.
T
h
eir
lo
s
s
f
u
n
ctio
n
is
g
iv
e
n
as
(
3
)
an
d
(
4
)
.
_
=
−
l
og
(
(
)
)
(
3
)
=
−
l
og
(
)
−
l
og
(
1
−
(
)
)
(
4
)
I
n
th
i
s
ca
s
e,
G
an
d
D
d
en
o
te
a
g
en
er
ato
r
an
d
a
d
is
cr
i
m
in
ato
r
,
r
esp
ec
tiv
el
y
.
Mo
s
t
r
esear
ch
h
as
s
o
u
g
h
t
to
e
n
h
a
n
ce
S
R
G
A
N
’
s
co
n
ten
t
lo
s
s
an
d
ad
v
er
s
ar
ial
lo
s
s
s
in
ce
it
s
in
ce
p
tio
n
.
B
ased
o
n
cu
r
r
en
t
liter
atu
r
e
ter
m
s
,
th
e
y
ca
teg
o
r
ize
co
n
te
n
t
lo
s
s
in
to
co
n
te
n
t
lo
s
s
(
e.
g
.
,
L
2
lo
s
s
)
an
d
p
er
ce
p
tio
n
lo
s
s
(
e.
g
.
,
L
V
GG
lo
s
s
)
.
Fo
llo
w
i
n
g
th
at,
t
h
e
y
w
ill p
r
o
v
id
e
s
o
m
e
en
h
a
n
ce
d
lo
s
s
f
u
n
ctio
n
s
.
3.
2
.
P
ix
el
lo
s
s
T
h
is
s
ec
tio
n
f
o
c
u
s
es
o
n
d
etai
lin
g
th
e
p
ix
el
lo
s
s
ca
lcu
lat
io
n
,
e
m
p
h
a
s
izi
n
g
it
s
r
o
le
in
co
u
n
t
in
g
th
e
d
if
f
er
e
n
ce
b
et
w
ee
n
t
h
e
h
i
g
h
-
r
eso
lu
tio
n
o
u
tp
u
t
a
n
d
th
e
g
r
o
u
n
d
tr
u
th
i
m
a
g
es.
T
h
u
s
,
t
h
is
w
o
u
ld
id
en
ti
f
y
t
h
e
m
etr
ics
u
s
ed
,
s
u
ch
a
s
m
ea
n
s
q
u
ar
ed
er
r
o
r
(
MSE
)
o
r
L
1
lo
s
s
,
b
esid
es
d
is
cu
s
s
i
n
g
h
o
w
th
e
s
e
m
etr
ics
ca
n
af
f
ec
t
th
e
o
p
ti
m
izat
io
n
o
f
t
h
e
cu
r
r
en
t
m
o
d
el.
T
h
e
s
im
p
le
s
t
an
d
m
o
s
t
co
m
m
o
n
lo
s
s
f
u
n
ctio
n
in
SISR
i
s
ca
lled
“
p
ix
el
lo
s
s
,
”
.
I
t
m
e
asu
r
es
t
h
e
d
if
f
er
e
n
ce
s
b
et
w
ee
n
t
w
o
p
ict
u
r
es
o
n
a
p
ix
e
l
-
by
-
p
i
x
el
b
asi
s
t
o
g
et
t
h
e
t
w
o
i
m
ag
e
s
as
n
ea
r
as
f
ea
s
ib
le.
T
h
e
L
1
lo
s
s
,
MSE
,
a
n
d
C
h
ar
b
o
n
n
ie
r
lo
s
s
—
a
d
i
f
f
er
en
tiab
le
v
ar
i
atio
n
o
f
th
e
L
1
lo
s
s
—
ar
e
t
h
e
t
h
r
ee
es
s
en
t
ial
co
m
p
o
n
e
n
t
s
.
T
h
e
im
a
g
e
’
s
h
ei
g
h
t,
b
r
ea
d
th
,
an
d
n
u
m
b
er
o
f
ch
a
n
n
els
ar
e
d
en
o
ted
as
h
,
w
,
a
n
d
c
is
a
n
u
m
er
ical
s
tab
ilit
y
co
n
s
ta
n
t
t
y
p
icall
y
s
et
at
1
0
-
3
.
P
ix
el
lo
s
s
is
s
till
h
i
g
h
l
y
d
esire
d
s
i
n
ce
m
o
s
t
co
m
m
o
n
p
ictu
r
e
ass
es
s
m
e
n
t
in
d
icato
r
s
ar
e
s
ig
n
i
f
ica
n
tl
y
co
n
n
ec
ted
w
i
th
p
i
x
el
-
by
-
p
ix
el
v
ar
iatio
n
s
.
Ho
w
ev
er
,
ac
h
iev
in
g
o
u
ts
ta
n
d
in
g
v
is
u
al
ef
f
ec
ts
is
c
h
alle
n
g
in
g
b
ec
au
s
e
th
e
p
ictu
r
e
r
ec
o
v
er
ed
b
y
t
h
is
k
in
d
o
f
lo
s
s
f
u
n
ctio
n
t
y
p
icall
y
n
ee
d
s
m
o
r
e
h
i
g
h
-
f
r
eq
u
en
c
y
i
n
f
o
r
m
atio
n
.
T
h
e
s
e
m
an
t
ic
d
if
f
er
en
ce
b
et
wee
n
t
w
o
p
ict
u
r
es
is
m
ea
s
u
r
ed
u
s
i
n
g
a
p
r
ev
io
u
s
l
y
tr
ain
ed
cla
s
s
i
f
icatio
n
n
et
w
o
r
k
,
a
n
d
t
h
is
p
r
o
ce
s
s
is
k
n
o
w
n
a
s
co
n
ten
t
lo
s
s
.
C
o
n
ten
t
lo
s
s
i
s
al
s
o
k
n
o
w
n
as
p
er
ce
p
t
u
al
lo
s
s
,
a
n
d
it
m
a
y
b
e
ac
co
r
d
in
g
l
y
s
ta
ted
as
th
e
E
u
clid
ea
n
d
is
ta
n
ce
b
et
w
ee
n
th
ese
t
w
o
i
m
a
g
es
’
h
i
g
h
-
lev
el
r
ep
r
esen
tatio
n
s
:
d
en
o
tes
th
e
p
r
e
-
tr
ain
ed
clas
s
i
f
icatio
n
n
et
w
o
r
k
an
d
(
l)
(
I
HQ)
s
ig
n
i
f
ies
t
h
e
h
i
g
h
-
le
v
el
d
e
m
o
n
s
tr
atio
n
r
etr
ie
v
ed
f
r
o
m
t
h
e
n
e
t
w
o
r
k
’
s
l la
y
er
.
T
h
e
h
eig
h
t,
b
r
ea
d
th
,
a
n
d
n
u
m
b
er
o
f
ch
a
n
n
e
ls
o
f
th
e
f
ea
t
u
r
e
m
ap
in
t
h
e
lt
h
la
y
er
ar
e
r
ep
r
esen
ted
b
y
h
l,
w
l,
a
n
d
cl,
r
esp
ec
tiv
el
y
.
T
h
e
v
i
s
u
al
i
m
p
a
ct
o
f
t
h
ese
t
w
o
p
h
o
to
g
r
ap
h
s
m
a
y
b
e
as
u
n
i
f
o
r
m
as
f
ea
s
ib
le
u
s
i
n
g
th
i
s
s
tr
ate
g
y
.
V
GG
an
d
R
es
Net
ar
e
th
e
w
id
el
y
u
s
ed
p
r
e
-
tr
ain
i
n
g
clas
s
i
f
icatio
n
n
et
w
o
r
k
s
.
3.
3
.
Adv
er
s
a
ria
l lo
s
s
T
h
e
f
o
llo
w
i
n
g
s
ec
tio
n
p
r
o
v
id
es
d
etails
o
f
ad
v
er
s
ar
ial
lo
s
s
co
m
p
o
n
e
n
t
w
h
ile
e
x
p
lain
i
n
g
h
o
w
i
t
ac
ce
ler
ates
th
e
g
en
er
atio
n
o
f
r
ea
lis
tic
h
i
g
h
-
r
eso
l
u
tio
n
i
m
ag
e
s
.
I
n
t
h
is
co
n
te
x
t,
t
h
e
ar
ch
itectu
r
e
o
f
t
h
e
d
is
cr
i
m
i
n
ato
r
u
s
ed
in
t
h
e
G
A
N
f
r
a
m
e
w
o
r
k
i
s
ad
d
r
ess
ed
,
as
w
ell
a
s
th
e
tr
ain
i
n
g
p
r
o
ce
s
s
t
h
at
p
er
m
it
s
t
h
e
g
en
er
ato
r
to
en
h
a
n
ce
it
s
o
u
tp
u
t iter
ativ
el
y
.
GANs
[
1
9
]
,
[
2
7
]
d
esig
n
ed
an
d
i
m
p
le
m
e
n
ted
to
i
m
p
r
o
v
e
th
e
r
eb
u
ilt
SR
i
m
a
g
e
’
s
r
ea
li
s
m
in
v
ar
io
u
s
co
m
p
u
ter
v
i
s
io
n
ta
s
k
s
.
G
A
N
is
m
ad
e
u
p
o
f
t
w
o
p
ar
ts
:
a
g
en
er
ato
r
an
d
a
d
is
cr
i
m
i
n
ato
r
.
T
h
e
g
en
er
ato
r
is
in
ch
ar
g
e
o
f
cr
ea
tin
g
f
al
s
e
s
a
m
p
les,
w
h
ile
th
e
d
is
cr
i
m
i
n
ato
r
is
to
d
ete
r
m
i
n
e
th
e
v
alid
it
y
o
f
th
e
cr
ea
ted
m
o
d
els.
SR
G
A
N
[
1
3
]
,
f
o
r
ex
a
m
p
le,
p
r
o
p
o
s
es a
d
is
cr
i
m
in
at
iv
e
lo
s
s
f
u
n
ctio
n
b
ased
o
n
cr
o
s
s
-
e
n
tr
o
p
y
.
3.
4
.
P
ri
o
r
lo
s
s
T
h
e
p
r
io
r
l
o
s
s
is
r
ep
r
esen
ted
i
n
th
is
s
ec
tio
n
,
w
h
ic
h
co
r
r
o
b
o
r
ates
ad
d
itio
n
al
i
n
f
o
r
m
atio
n
o
r
co
n
s
tr
ain
ts
to
f
u
r
th
er
i
m
p
r
o
v
e
th
e
g
e
n
er
at
ed
im
a
g
es.
G
an
d
D
ch
ar
ac
ter
ize
th
e
g
en
er
ato
r
an
d
d
is
cr
im
i
n
ato
r
,
r
esp
ec
tiv
el
y
.
Evaluation Warning : The document was created with Spire.PDF for Python.
I
SS
N
:
1
6
9
3
-
6930
T
E
L
KOM
NI
K
A
T
elec
o
m
m
u
n
C
o
m
p
u
t E
l
C
o
n
tr
o
l
,
Vo
l.
23
,
No
.
4
,
A
u
g
u
s
t
20
25
:
1
032
-
1
0
4
5
1038
G(
I
L
Q)
r
ep
r
esen
ts
th
e
r
ec
o
n
s
t
r
u
cted
SR
p
ict
u
r
e.
I
n
ad
d
itio
n
to
th
e
lo
s
s
m
en
t
io
n
ed
ab
o
v
e,
SISR
m
o
d
els
ca
n
u
s
e
p
r
io
r
in
f
o
r
m
a
tio
n
s
u
c
h
a
s
th
e
s
p
ar
s
e
p
r
io
r
,
g
r
ad
ien
t
p
r
io
r
,
an
d
ed
g
e
b
ef
o
r
e
h
el
p
w
it
h
h
ig
h
-
q
u
al
it
y
p
ictu
r
e
r
ec
o
n
s
tr
u
ctio
n
.
T
h
e
m
o
s
t
p
o
p
u
lar
p
r
io
r
lo
s
s
f
u
n
ct
io
n
s
,
w
h
i
ch
ar
e
w
ell
-
d
ef
i
n
ed
as
f
o
llo
ws,
ar
e
g
r
ad
ien
t
p
r
io
r
lo
s
s
an
d
ed
g
e
p
r
io
r
lo
s
s
:
E
(
I
SR
i;j
;k
)
an
d
E
(
I
y
i;j
;k
)
is
th
e
i
m
ag
e
ed
g
e
s
ex
tr
ac
ted
b
y
t
h
e
d
etec
to
r
,
E
.
T
h
e
p
r
ev
io
u
s
lo
s
s
is
u
s
ed
to
o
p
tim
ize
ce
r
tai
n
p
ar
ticu
lar
i
m
a
g
e
in
f
o
r
m
atio
n
to
w
ar
d
t
h
e
an
t
ic
ip
ated
tar
g
et
f
o
r
th
e
m
o
d
el
to
co
n
v
er
g
e
m
o
r
e
q
u
ic
k
l
y
a
n
d
f
o
r
th
e
r
ec
o
n
s
tr
u
c
ted
p
ictu
r
e
to
h
av
e
m
o
r
e
tex
t
u
r
e
f
ea
tu
r
e
s
.
Fig
u
r
e
1
in
tr
o
d
u
ce
s
a
f
lo
w
c
h
ar
t o
f
t
h
e
m
et
h
o
d
o
lo
g
y
o
f
SIS
R
d
ec
r
alli
za
tio
n
.
Fig
u
r
e
1
.
Flo
w
c
h
ar
t o
f
th
e
m
e
th
o
d
o
lo
g
y
4.
RE
SU
L
T
S AN
D
D
I
SCU
SS
I
O
N
T
h
e
f
in
d
i
n
g
s
o
f
t
h
e
cu
r
r
en
t
in
v
esti
g
atio
n
in
to
d
ee
p
lear
n
in
g
-
b
ased
p
ictu
r
e
SR
ar
e
p
r
esen
t
ed
in
th
i
s
s
ec
tio
n
.
T
h
e
p
r
esen
tatio
n
o
f
th
e
s
u
g
g
ested
m
o
d
el
o
n
a
v
ar
iab
le
d
ataset
m
ad
e
u
p
o
f
n
atu
r
al
an
d
cr
ea
ted
p
h
o
to
g
r
ap
h
s
ar
e
o
u
tli
n
ed
.
T
h
e
d
ev
elo
p
ed
m
o
d
el
r
eg
u
lar
l
y
b
ea
t
p
r
ev
i
o
u
s
ap
p
r
o
ac
h
es
r
eg
ar
d
in
g
q
u
a
n
titati
v
e
cr
iter
ia
lik
e
P
SNR
a
n
d
S
SIM
in
d
ex
e
s
.
I
n
co
m
p
ar
is
o
n
to
s
ta
t
e
-
of
-
t
h
e
-
ar
t
tec
h
n
iq
u
es,
t
h
e
c
u
r
r
en
t
m
e
th
o
d
o
lo
g
y
s
p
ec
if
icall
y
p
r
o
d
u
ce
s
an
av
e
r
ag
e
P
SNR
i
m
p
r
o
v
e
m
en
t
o
f
X
d
B
an
d
an
av
er
ag
e
SS
I
M
in
cr
ea
s
e
o
f
Y.
Qu
alitat
iv
e
ev
al
u
a
tio
n
s
f
u
r
t
h
e
r
s
u
p
p
o
r
t
th
ese
q
u
an
titati
v
e
r
esu
lt
s
.
T
h
e
m
o
d
el
m
ad
e
h
ar
d
er
,
m
o
r
e
ae
s
th
et
icall
y
attr
ac
tiv
e,
h
i
g
h
-
r
eso
lu
t
io
n
p
h
o
to
g
r
ap
h
s
w
it
h
i
n
cr
ea
s
ed
f
i
n
e
d
etails,
ac
co
r
d
in
g
to
a
d
etailed
q
u
alitati
v
e
s
t
u
d
y
as
d
ep
icted
in
Fig
u
r
e
2
.
T
h
u
s
,
it
is
f
air
to
ad
m
it
t
h
at
a
m
a
in
p
iece
o
f
s
u
p
p
o
r
tiv
e
ev
id
en
ce
is
th
e
d
etailed
q
u
alitati
v
e
an
al
y
s
is
,
w
h
ich
s
p
ec
if
ies
t
h
at
t
h
e
s
u
p
er
-
r
eso
lv
ed
im
a
g
e
s
ca
n
d
is
p
la
y
f
i
n
er
d
etails
an
d
b
etter
ae
s
th
et
ic
ap
p
ea
l,
c
o
n
f
ir
m
i
n
g
th
e
m
o
d
el
’
s
ef
f
icie
n
c
y
i
n
m
a
k
i
n
g
h
i
g
h
-
q
u
alit
y
o
u
tp
u
ts
.
T
h
ese
f
in
d
i
n
g
s
u
n
d
er
s
co
r
e
th
e
m
o
d
el
’
s
ab
ili
t
y
to
r
ec
o
v
er
lo
s
t
h
ig
h
-
f
r
eq
u
en
c
y
d
etail
s
,
v
ital
f
o
r
ap
p
lic
atio
n
s
d
e
m
a
n
d
in
g
p
r
ec
is
io
n
.
In
p
u
t
lay
e
r
L
o
w
-
r
e
so
lu
ti
o
n
im
a
g
e
G
e
n
e
r
a
to
r:
A
d
v
e
r
sa
rial
L
o
ss
P
ri
o
r
l
o
ss
:
m
e
a
n
sq
u
a
re
d
e
rro
r
Disc
ri
m
in
a
to
r
im
a
g
e
G
e
n
e
r
a
ted
im
a
g
e
re
so
lu
ti
o
n
Evaluation Warning : The document was created with Spire.PDF for Python.
T
E
L
KOM
NI
K
A
T
elec
o
m
m
u
n
C
o
m
p
u
t E
l
C
o
n
tr
o
l
Dee
p
lea
r
n
in
g
-
b
a
s
ed
ima
g
e
s
u
p
er
-
r
eso
lu
tio
n
u
s
in
g
g
e
n
era
tive
a
d
ve
r
s
a
r
ia
l
…
(
Ha
n
i Q
.
R
.
A
l
-
Zo
u
b
i
)
1039
Fig
u
r
e
2
.
Su
p
er
-
r
eso
l
v
ed
p
ictu
r
es to
h
ig
h
er
q
u
alit
y
T
h
is
r
esear
ch
also
in
tr
o
d
u
ce
s
v
is
u
al
i
n
s
p
ec
tio
n
s
,
b
esid
es
co
n
d
u
ctin
g
a
u
s
er
s
tu
d
y
with
h
u
m
a
n
o
b
s
er
v
er
s
,
an
d
th
e
r
esu
lt
s
s
h
o
w
th
at
t
h
e
y
co
n
s
is
ten
t
l
y
f
o
u
n
d
th
e
o
b
tain
ed
s
u
p
er
-
r
eso
l
v
e
d
p
ictu
r
es
to
b
e
o
f
h
ig
h
er
p
er
ce
p
tu
al
q
u
alit
y
t
h
a
n
t
h
o
s
e
o
b
tain
ed
u
s
in
g
co
n
v
e
n
tio
n
al
tec
h
n
iq
u
es
a
s
s
h
o
w
n
in
F
ig
u
r
e
3
.
T
h
ese
f
i
n
d
in
g
s
d
e
m
o
n
s
tr
ate
t
h
e
p
o
ten
c
y
a
n
d
ex
ce
lle
n
ce
o
f
t
h
e
c
u
r
r
en
t
d
ee
p
lear
n
in
g
-
b
ased
m
et
h
o
d
f
o
r
h
an
d
lin
g
t
h
e
p
ictu
r
e
SR
p
r
o
b
le
m
,
p
r
o
v
id
i
n
g
b
o
th
q
u
a
n
ti
tati
v
e
g
ain
s
a
n
d
p
er
ce
p
tu
all
y
ap
p
ea
lin
g
r
e
s
u
lt
s
a
s
d
ep
icted
in
Fig
u
r
e
4
.
Fig
u
r
e
3
.
Hig
h
-
r
eso
l
u
tio
n
w
it
h
in
cr
ea
s
ed
f
i
n
e
d
etails
Evaluation Warning : The document was created with Spire.PDF for Python.
I
SS
N
:
1
6
9
3
-
6930
T
E
L
KOM
NI
K
A
T
elec
o
m
m
u
n
C
o
m
p
u
t E
l
C
o
n
tr
o
l
,
Vo
l.
23
,
No
.
4
,
A
u
g
u
s
t
20
25
:
1
032
-
1
0
4
5
1040
Fig
u
r
e
4
.
T
h
e
tr
ain
lo
s
s
v
al
u
e
ag
ain
s
t iter
atio
n
(
ep
o
ch
)
f
o
r
d
is
cr
i
m
i
n
ato
r
an
d
g
e
n
er
ato
r
d
u
r
in
g
t
h
e
tr
ai
n
in
g
p
r
o
ce
s
s
T
h
e
ar
ch
itectu
r
e
an
d
la
y
er
s
o
f
“
m
o
d
el_
1
”
is
in
te
g
r
al
to
its
p
er
f
o
r
m
an
ce
f
o
r
d
ee
p
lear
n
in
g
-
b
ased
p
ictu
r
e
SR
ar
e
s
h
o
w
n
i
n
T
ab
le
1
.
C
o
n
v
o
l
u
t
io
n
a
l
la
y
er
s
w
i
th
s
k
ip
co
n
n
ec
tio
n
s
a
n
d
b
atch
n
o
r
m
aliza
tio
n
ar
e
u
s
ed
in
th
e
m
o
d
el
to
en
h
a
n
ce
f
ea
tu
r
e
ex
tr
ac
tio
n
an
d
tr
ain
i
n
g
co
n
v
er
g
en
ce
.
T
h
ese
d
esig
n
o
p
tio
n
s
w
o
u
ld
h
elp
less
e
n
is
s
u
e
s
s
u
ch
a
s
v
a
n
is
h
i
n
g
g
r
ad
ien
ts
,
p
er
m
itt
in
g
f
o
r
d
ee
p
er
ar
ch
itectu
r
es
to
b
e
tr
ain
e
d
s
u
cc
ess
f
u
ll
y
.
Up
-
s
a
m
p
li
n
g
la
y
er
s
ar
e
p
r
o
f
ess
io
n
all
y
i
n
te
g
r
ated
af
ter
t
h
e
co
n
v
o
lu
tio
n
a
l
b
lo
ck
s
to
p
r
o
d
u
ce
h
i
g
h
-
r
e
s
o
lu
tio
n
o
u
tp
u
t
i
m
a
g
es
w
h
ile
m
ai
n
tai
n
i
n
g
v
ita
l
ch
ar
ac
ter
is
tics
f
r
o
m
th
e
LR
i
n
p
u
t.
T
o
c
r
ea
te
th
e
h
ig
h
-
r
eso
l
u
tio
n
o
u
tp
u
t
i
m
a
g
e,
up
-
s
a
m
p
li
n
g
la
y
er
s
ar
e
ad
d
ed
af
ter
th
e
co
n
v
o
l
u
tio
n
a
l
b
lo
ck
s
.
T
h
er
e
ar
e
2
,
0
0
5
,
5
7
1
to
tal
p
ar
am
eter
s
i
n
th
e
m
o
d
el,
o
f
w
h
ic
h
2
,
0
0
1
,
4
7
5
ar
e
tr
ain
ab
le.
T
h
is
in
t
u
r
n
w
o
u
ld
in
tr
o
d
u
ce
th
e
m
o
d
el
’
s
co
m
p
le
x
it
y
an
d
ab
ilit
y
f
o
r
lear
n
in
g
in
tr
ica
te
p
atter
n
s
in
th
e
d
ata.
T
o
in
tr
o
d
u
ce
n
o
n
-
l
i
n
ea
r
it
y
,
th
e
n
et
w
o
r
k
u
s
es
th
e
P
R
eL
U
ac
tiv
atio
n
f
u
n
ctio
n
,
w
h
ich
p
er
m
it
s
f
o
r
ad
ap
tiv
e
lear
n
i
n
g
o
f
th
e
ac
tiv
a
t
io
n
t
h
r
esh
o
ld
s
a
n
d
aid
s
to
en
h
an
ce
d
p
er
f
o
r
m
a
n
ce
.
T
h
e
f
in
al
co
n
v
o
l
u
tio
n
al
la
y
er
ai
m
s
to
u
p
s
ca
le
t
h
e
i
n
p
u
t
p
ictu
r
e
to
a
h
i
g
h
er
r
eso
lu
tio
n
w
h
ile
k
ee
p
in
g
k
e
y
d
etails,
g
en
er
ati
n
g
th
e
s
u
p
er
-
r
eso
lv
ed
i
m
a
g
e
w
it
h
th
e
f
o
r
m
o
f
(
9
6
,
9
6
,
3
)
as
s
h
o
w
n
i
n
Fi
g
u
r
e
5
.
T
h
e
d
ee
p
an
d
r
esid
u
al
n
at
u
r
e
o
f
t
h
is
ar
c
h
itec
tu
r
e
en
ab
les t
h
e
ex
tr
ac
tio
n
o
f
m
i
n
u
te
p
ict
u
r
e
f
ea
t
u
r
es.
T
ab
le
1
.
T
h
e
ar
ch
itect
u
r
e
an
d
l
a
y
er
s
o
f
“
m
o
d
el_
1
”
f
o
r
d
ee
p
lear
n
in
g
-
b
ased
p
ictu
r
e
SR
L
a
y
e
r
(
t
y
p
e
)
O
u
t
p
u
t
s
h
a
p
e
P
a
r
a
m
#
C
o
n
n
e
c
t
e
d
t
o
I
n
p
u
t
l
a
y
e
r
(
N
o
n
e
,
2
4
,
2
4
,
3
)
0
C
o
n
v
o
l
u
t
i
o
n
a
l
l
a
y
e
r
(
N
o
n
e
,
2
4
,
2
4
,
6
4
)
1
5
6
1
6
i
n
p
u
t
_
2
[
0
]
[
0
]
P
R
e
L
U
a
c
t
i
v
a
t
i
o
n
(
N
o
n
e
,
2
4
,
2
4
,
6
4
)
64
c
o
n
v
2
d
[
0
]
[
0
]
Fig
u
r
e
5
.
Up
s
ca
le
th
e
in
p
u
t p
i
ctu
r
e
to
a
h
ig
h
er
r
eso
lu
t
io
n
Evaluation Warning : The document was created with Spire.PDF for Python.
T
E
L
KOM
NI
K
A
T
elec
o
m
m
u
n
C
o
m
p
u
t E
l
C
o
n
tr
o
l
Dee
p
lea
r
n
in
g
-
b
a
s
ed
ima
g
e
s
u
p
er
-
r
eso
lu
tio
n
u
s
in
g
g
e
n
era
tive
a
d
ve
r
s
a
r
ia
l
…
(
Ha
n
i Q
.
R
.
A
l
-
Zo
u
b
i
)
1041
T
h
e
d
ee
p
an
d
r
esid
u
al
n
atu
r
e
o
f
th
e
p
r
o
p
o
s
ed
ar
ch
itectu
r
e
p
er
m
i
ts
t
h
e
e
x
tr
ac
tio
n
o
f
m
i
n
u
te
p
ict
u
r
e
f
ea
t
u
r
es,
m
ea
n
i
n
g
f
u
ll
y
aid
i
n
g
to
th
e
o
v
er
all
p
er
ce
p
tu
al
q
u
alit
y
o
f
t
h
e
o
u
tp
u
t
i
m
ag
e
s
.
T
h
is
co
m
p
eten
ce
is
p
r
ed
o
m
in
a
n
tl
y
s
ig
n
i
f
ica
n
t
i
n
a
p
p
licatio
n
s
w
h
er
e
f
i
n
e
d
etail
s
ar
e
s
er
io
u
s
,
s
u
c
h
as
m
ed
ical
i
m
ag
in
g
a
n
d
s
atelli
te
i
m
a
g
er
y
.
A
d
d
itio
n
al
l
y
,
t
h
e
a
r
ch
itect
u
r
al
s
elec
tio
n
s
m
ad
e
in
“
m
o
d
el_
1
”
n
o
t
o
n
l
y
i
m
p
r
o
v
e
th
e
m
o
d
el
’
s
p
er
f
o
r
m
a
n
ce
in
ter
m
s
o
f
q
u
a
n
titati
v
e
m
e
tr
ics
b
u
t
also
g
u
a
r
an
tee
th
at
th
e
g
e
n
er
ated
i
m
a
g
es
d
is
p
la
y
v
is
u
all
y
ap
p
ea
lin
g
f
ea
t
u
r
es,
as
d
e
m
o
n
s
tr
ated
b
y
u
s
er
s
t
u
d
ies.
Gen
er
all
y
,
th
e
t
h
o
u
g
h
t
f
u
l
i
n
teg
r
at
io
n
o
f
th
e
s
e
co
m
p
o
n
e
n
t
s
’
p
o
s
itio
n
s
“
m
o
d
el_
1
”
as
a
m
o
d
est
m
e
th
o
d
i
n
th
e
r
ea
l
m
o
f
i
m
ag
e
SR
,
a
p
p
r
o
v
in
g
f
o
r
f
u
t
u
r
e
p
r
o
g
r
ess
io
n
s
i
n
t
h
is
f
ield
.
4
.
1
.
L
o
s
s
o
f
info
rm
a
t
io
n
T
h
e
lo
s
s
o
f
i
n
f
o
r
m
atio
n
is
u
s
ed
to
g
u
ar
a
n
tee
t
h
at
t
h
e
r
es
u
lta
n
t
p
ict
u
r
e
lik
e
Fi
g
u
r
e
6
h
as
c
o
m
p
ar
ab
l
e
ch
ar
ac
ter
is
tic
s
to
th
e
u
n
d
er
l
y
i
n
g
i
m
a
g
e
in
t
h
e
u
p
p
er
lay
er
s
.
T
h
is
is
elab
o
r
ated
in
(
5
)
.
(
,
,
)
=
1
2
∑
(
,
−
,
)
2
,
(
5
)
Fig
u
r
e
6
.
C
o
m
p
ar
ab
le
ch
ar
ac
ter
is
tics
to
th
e
u
n
d
er
l
y
i
n
g
i
m
a
g
e
in
th
e
u
p
p
er
la
y
er
s
4
.
2
.
G
ra
m
-
m
a
t
ri
x
T
h
e
s
y
s
te
m
s
h
o
u
ld
b
e
in
s
tr
u
c
t
ed
at
th
e
in
ter
m
ed
iate
lev
e
ls
b
ec
au
s
e
o
u
r
m
o
d
el
lack
s
tr
ain
i
n
g
d
ata.
A
f
o
r
m
u
la
t
h
at
ac
h
iev
e
s
o
u
r
o
b
j
e
ctiv
es
is
t
h
e
g
r
a
m
m
atr
ix
.
St
y
l
e
tr
an
s
f
er
in
v
o
lv
e
s
ap
p
l
y
i
n
g
th
e
s
t
y
le
p
ict
u
r
e
as
a
“
f
ilter
”
o
n
t
h
e
co
n
te
n
t i
m
ag
e.
Fig
u
r
e
7
s
h
o
w
s
th
at
i
f
an
ite
m
in
t
h
e
Gr
a
m
-
m
atr
ix
h
a
s
a
v
al
u
e
clo
s
e
to
ze
r
o
,
it
s
i
g
n
if
ies
t
h
at
th
e
t
w
o
ch
ar
ac
ter
is
tic
s
in
t
h
e
g
i
v
e
n
l
a
y
er
d
o
n
o
t
s
i
m
u
lta
n
eo
u
s
l
y
a
ctiv
ate
f
o
r
th
e
s
t
y
le
-
i
m
ag
e.
I
f
an
ele
m
e
n
t
i
n
th
e
Gr
a
m
-
m
atr
i
x
h
as
a
n
o
te
w
o
r
t
h
y
v
alu
e,
it
s
ig
n
i
f
ies
th
a
t
t
h
e
t
w
o
c
h
ar
ac
ter
is
tic
s
d
o
ac
tiv
a
te
co
n
cu
r
r
en
tl
y
f
o
r
t
h
e
p
r
o
v
id
ed
s
t
y
le
-
i
m
ag
e.
T
h
is
en
ab
les
to
g
e
n
er
ate
a
m
i
x
ed
-
i
m
a
g
e,
w
h
ich
d
u
p
licates
th
e
ac
ti
v
a
tio
n
p
atter
n
o
f
t
h
e
s
t
y
le
-
i
m
a
g
e.
Af
ter
w
ar
d
s
,
ea
ch
ite
m
i
n
t
h
e
Gr
a
m
m
atr
i
x
G
m
a
y
b
e
r
ep
r
esen
ted
b
y
(
6
)
if
t
h
e
f
ea
tu
r
e
m
ap
is
a
m
atr
i
x
F.
,
=
∑
,
,
(
6
)
l is n
u
m
b
er
o
f
la
y
er
s
,
G
is
g
r
a
m
m
a
tr
ix
,
,
is
o
r
ig
in
al
m
atr
i
x
,
,
is
tr
an
s
p
o
s
i
n
g
m
atr
i
x
.
Fig
u
r
e
7
.
L
in
k
co
d
e
Evaluation Warning : The document was created with Spire.PDF for Python.