Meningkatkan Pewarnaan Film Negatif melalui Modifikasi Arsitektur CycleGAN Sistematis: Analisis Komprehensif Kinerja Generator dan Diskriminator

Abstract

Penelitian ini membahas kebutuhan mendesak untuk teknologi pewarnaan film negatif berbasis pembelajaran mendalam melalui modifikasi sistematis pada arsitektur CycleGAN. Tidak seperti pendekatan konvensional yang berfokus pada pewarnaan gambar hitam-putih, studi ini menargetkan konversi gambar film negatif digital, yang menghadirkan tantangan unik seperti inversi warna dan pemulihan detail. Set data terdiri dari 500 gambar negatif (train A), 500 gambar warna tidak berpasangan (train B), serta 5 gambar negatif dan 5 gambar warna untuk tujuan pengujian. Seluruh set data diperoleh dari upaya pemindaian pribadi. 5 modifikasi arsitektur diusulkan dan diuji secara individual, tanpa menerapkan semua perubahan secara bersamaan. Fokus utama adalah mengembangkan struktur jaringan, tanpa menggunakan metrik evaluasi eksternal seperti SSIM, PSNR, atau FID. Modifikasi termasuk penambahan blok residual, perubahan kuantitas filter, fungsi aktivasi, dan koneksi antar-lapisan. Evaluasi dilakukan secara kualitatif dan berdasarkan nilai kerugian generator dan diskriminator. Modifikasi yang paling optimal (Modifikasi 4) menunjukkan pengurangan kerugian yang signifikan (G:2,39–4,07, F: 2,82–3,66; D_X: 0,36–0,93, D_Y: 0,15–1,39), menghasilkan citra warna yang lebih akurat dan estetis dibandingkan dengan arsitektur dasar. Struktur kerugian konsistensi siklus fundamental dipertahankan untuk memastikan kemampuan pelatihan yang tidak berpasangan tetap utuh. Penelitian ini menunjukkan bahwa modifikasi arsitektur yang cermat dapat meningkatkan hasil pewarnaan negatif secara signifikan, sekaligus menciptakan peluang untuk pengembangan teknologi restorasi citra digital berbasis pembelajaran mendalam di masa mendatang