В работе рассматривается применение методов burst super-resolution (SR) для повышения качества эндоскопических видеоданных, что является важным для точности диагностики и эффективности малоинвазивной хирургии. В работе описана адаптация генеративной модели ESRGAN для работы с видеопоследовательностями, её обучение на синтетических данных с имитацией реальных искажений и тестирование на закрытом датасете. Было показано, что адаптированная ESRGAN превосходит модели на базе трансформеров и сверточных нейросетей (CNN) в четкости реконструкции тканей. Подчеркивается потенциал метода для улучшения визуальной диагностики, а также отмечается необходимость клинической валидации и контроля генеративных артефактов перед внедрением в практику.

Рубин И.М. (науч. рук. Волынский М.А.) Повышение разрешения эндоскопических видео на основе генеративных алгоритмов глубокого обучения // Сборник тезисов докладов конгресса молодых ученых. Электронное издание. – СПб: Университет ИТМО, [2026]. URL: https://kmu.itmo.ru/digests/article/16178