Image companding merupakan kerangka kerja pemrosesan citra yang terdiri dari proses kompresi dan ekspansi. Tantangan utama dari image companding adalah untuk meminimalkan derau dan artefak pada citra hasil ekspansi, dan pada saat yang sama, memulihkan detail dan struktur citra. Memulihkan citra dan meminimalkan derau merupakan tugas yang menantang, karena kompresi menghilangkan sebagian informasi citra, sehingga cara untuk menyematkan dan mendapatkan kembali informasi yang hilang sangat perlu untuk didapatkan. Untuk mengatasi masalah ini, terinspirasi oleh keberhasilan pembelajaran mendalam terakhir dalam pemrosesan citra, pendekatan baru diusulkan untuk melakukan image companding yang efisien. Kerangka yang diusulkan memanfaatkan efektivitas CNN dengan konsep autoencoder dan dilatih secara generatif. Dibangun dari tiga jaringan, yaitu encoder untuk optimasi citra, decoder untuk rekonstruksi citra, dan discriminator untuk melatih jaringan secara generatif. Penggunaan bobot untuk setiap fitur warna pada pemetaan identitas, lapisan konvolusi upsampling, dan lapisan normalisasi baru diusulkan untuk meningkatkan performa dan efektivitas pelatihan. Hasil eksperimen menegaskan bahwa metode yang diusulkan berhasil mendapatkan peningkatan metrik PSNR pada kasus 2, 4, dan 5-bit dan SSIM pada semua kasus bit, sehingga dapat disimpulkan metode yang diusulkan dapat melakukan rekonstruksi citra hasil ekspansi dengan pencahayaan, kontras, dan struktur citra lebih baik dan derau lebih sedikit daripada metode sebelumnya.
Keywords: convolutional neural networks, deep learning, residual network, generative model, image companding, denoising, autoencoders.
