This Master’s thesis addresses the challenge of enhancing the resolution and quality of bathymetric data collected from Multibeam Echosounders (MBESs). High-resolution bathymetric maps are essential for various marine applications, including geographical planning, numerical modeling, and marine scientific research. However, obtaining high-quality bathymetric data is expensive and time-consuming, and factors such as water depth and clarity often result in suboptimal data quality. This study seeks to mitigate these issues by employing a Denoising Diffusion Model (DDM) for Super Resolution (SR) on low-resolution 3D bathymetric meshes. Previous methods with the same goal exist but have not addressed the integration of diffusion models with bathymetric data, leaving a gap that this research aims to fill. The methodology involves adapting the DDM framework to process low-resolution Signed Distance Function (SDF) voxel representations of bathymetric data, which can be effectively processed by Convoutional Neural Networks (CNNs). The DDMs, inspired by thermodynamic diffusion processes, predict the reverse diffusion of data points to reconstruct high-resolution SDFs from low-resolution SDFs. The network’s performance was evaluated through quantitative analysis, comparing its outputs to traditional interpolation methods such as bilinear and bicubic interpolation. Key results indicate that the DDM significantly outperforms traditional methods, providing superior quality and detail in the reconstructed bathymetric maps. The study found that while incorporating intensity data did not improve results, the diffusion model itself showed robust performance and potential for further refinement. The implications of these findings suggest that the adoption of DDMs can enhance the field of bathymetric mapping. Future work should focus on expanding the dataset to include more diverse bathymetric environments, exploring different intensity data integration techniques, and refining the training process. This research paves the way for more cost-effective and detailed ocean floor mapping, benefiting various fields that rely on accurate bathymetric data. 

Detta examensarbete tar upp utmaningen med att förbättra upplösningen och kvaliteten på batymetridata som samlas in från Multibeam Echosounders (MBESs). Högupplösta batymetriska kartor är viktiga för olika marina tillämpningar, inklusive geografisk planering, numerisk modellering och marinvetenskaplig forskning. Att erhålla högkvalitativa batymetriska data är dock dyrt och tidskrävande, och faktorer som vattendjup och vattnets klarhet leder ofta till suboptimal datakvalitet. Denna studie syftar till att mildra dessa problem genom att använda en Denoising Diffusion Model (DDM) för Super Resolution (SR) på lågupplösta 3D-batymetriska nät. Tidigare metoder med samma mål existerar men har inte behandlat integrationen av diffusionsmodeller med batymetriska data, vilket lämnar ett gap som denna forskning syftar till att fylla. Metodiken involverar anpassning av DDM-ramverket för att bearbeta lågupplösta Signed Distance Function (SDF) voxelrepresentationer av batymetridata, vilka effektivt kan bearbetas av Convoutional Neural Networks (CNNs). DDMs, inspirerade av termodynamiska diffusionsprocesser, förutser den omvända diffusionen av datapunkter för att rekonstruera högupplösta SDF från lågupplösta SDF. Nätverkets prestanda utvärderades genom kvantitativ analys, där dess resultat jämfördes med traditionella interpolationsmetoder såsom bilinjär och bikubisk interpolation. Viktiga resultat visar att DDM avsevärt överträffar traditionella metoder och erbjuder överlägsen kvalitet och detaljrikedom i de rekonstruerade batymetriska kartorna. Studien fann att medan integrering av intensitetsdata inte förbättrade resultaten, diffusionsmodellen själv visade på robust prestanda och potential för vidare förbättring. Implikationerna av dessa fynd tyder på att användandet av DDMs kan förbättra området för batymetrisk kartläggning. Framtida arbete bör fokusera på att utöka mängden data för att inkludera mer varierande batymetriska miljöer, utforska olika tekniker för integrering av intensitetsdata och förfina träningsprocessen. Denna forskning banar väg för mer kostnadseffektiv och detaljerad kartläggning av havsbotten, vilket gynnar olika områden som är beroende av noggranna batymetridata.