Kolodochka, D. O.Polyakova, M. V.Rogachko, V. V.Колодочка, Д. О.Поляков,а М. В.Рогачко, В. В.2025-12-182025-12-182025https://eir.zp.edu.ua/handle/123456789/25578Kolodochka D. O. Prediction the accuracy of image inpainting using texture descriptors / D. O. Kolodochka, M. V. Polyakova, V. V. Rogachko // Радіоелектроніка, інформатика, управління. – 2025. – № 2 (73). – C. 56-67.EN: Context. The problem of filling missing image areas with realistic assumptions often arises in the processing of real scenes in computer vision and computer graphics. To inpaint the missing areas in an image, various approaches are applied such as diffusion models, self-attention mechanism, and generative adversarial networks. To restore the real scene images convolutional neural networks are used. Although convolutional neural networks recently achieved significant success in image inpainting, high efficiency is not always provided. Objective. The paper aims to reduce the time consumption in computer vision and computer graphics systems by accuracy prediction of image inpainting with convolutional neural networks. Method. The prediction of image inpainting accuracy can be done by an analysis of image statistics without the execution of inpainting itself. Then the time and computer resources on the image inpainting will not be consumed. We have used a peak signal-to-noise ratio and a structural similarity index measure to evaluate an image inpainting accuracy. Results. It is shown that a prediction can perform well for a wide range of mask sizes and real-scene images collected in the Places2 database. As an example, we concentrated on a particular case of the LaMa network versions although the proposed method can be generalized to other convolutional neural networks as well. Conclusions. The results obtained by the proposed method show that this type of prediction can be performed with satisfactory accuracy if the dependencies of the SSIM or PSNR versus image homogeneity are used. It should be noted that the structural similarity of the original and inpainted images is better predicted than the error between the corresponding pixels in the original and inpainted images. To further reduce the prediction error, it is possible to apply the regression on several input parameters. UK: Актуальність. Проблема заповнення відсутніх областей зображення реалістичним контентом часто виникає при обробці реальних сцен у комп’ютерному зорі та комп’ютерній графіці. Щоб відновити відсутні області на зображенні, застосовуються різні підходи, такі як дифузійні моделі, механізм самоуважності, генеративні змагальні мережі. Для відновлення зображень реальних сцен використовуються згорткові нейронні мережі. Із застосуванням цих мереж останнім часом досягнуто значних успіхів у відновленні зображень. Але отримані відновлені зображення не завжди високої якості. Мета роботи полягає у зменшенні витрат часу в системах комп’ютерної графіки та комп’ютерного зору шляхом прогнозування якості відновлення зображень згортковими нейронними мережами. Метод. Прогноз точності відновлення зображення здійснено шляхом аналізу статистики зображення без виконання самої реконструкції і, отже, без витрачання зайвого часу та комп’ютерних ресурсів на відновлення зображення. Ми використали пікове відношення сигнал/шум і показник індексу структурної подібності для оцінки якості відновлення зображення. Результати. Показано, що передбачення ефективне для широкого діапазону розмірів масок і зображень реальних сцен з бази даних Places2. У якості прикладу було зосереджено на окремих випадках версій мережі LaMa, хоча запропонований метод також можна узагальнити на інші згорткові нейронні мережі. Висновки. Отримані результати показують, що прогноз якості відновлення зображень може бути виконаний із задовільною точністю, якщо використовувати залежності SSIM або PSNR від показника однорідності текстури зображень. Слід зазначити, що структурна подібність початкового та відновленого зображень краще передбачувана, ніж помилка між відповідними пікселями цих зображень. Щоб зменшити помилку прогнозування можна застосувати регресію за декількома вхідними змінними.enimage inpainting, accuracy prediction, LaMa network, texture descriptor, co-occurence matrixвідновлення зображення, прогнозування точності, мережа LaMa, дескриптор текстури, матриця суміжностіArticle