Penerapan Metode Super Resolusi Berbasis Generative Adversarial Networks pada Pengenalan Citra Wajah Beresolusi Rendah

Gambar potongan wajah yang dihasilkan oleh kamera dengan resolusi dibawah 32 x 32 pixel dikategorikan sebagai citra wajah beresolusi rendah. Hal ini dikarenakan jarak kamera yang jauh. Sehingga citra wajah tersebut secara visual tampak blur. Jika citra wajah tersebut digunakan untuk klasifikasi pada ranah deep learning akurasi akan menurun drastis 20%. Metode sebelumnya melakukan perbaikan citra wajah dengan teknik super-resolusi GAN. Super-resolusi GAN merekonstruksi citra wajah yang semula low-resolution menjadi gambar baru super-resolution yang memiliki kondisi gambar lebih jelas dan tajam. Tidak semua metode super-resolusi dapat digunakan untuk meningkatkan akurasi pengenalan wajah. Pada penelitian ini diusulkan metode baru super resolusi Cosine Magnitude U-Net (CMU-Net). CMU-Net tersusun dari network generator U-Net dengan optimasi training pada proses fine-tuning menggunakan kombinasi loss. Hasil eksperiment dengan mengkombinasikan Binary Cross Entropy (BCE Loss), Cosine loss, dan Magnitude loss pada proses fine-tuning base U-Net GAN, pada dataset LFW (Labelled Face in the Wild) pada penelitian ini telah berhasil meningkatkan akurasi super resolusi dari 16 x 16 pixel low resolution (LR) menjadi 64 x 64 pixel super resolution (SR), dengan akurasi dari 88.33% pada base U-Net GAN menjadi 99.17% pada pengujian menggunakan algoritma klasifikator LightCNN-v29.