Gürültü giderme algoritması daha yüksek bir seviyeye yükseltilir ve resim anında netleşir Tez
Copper Spirit Derleyin ve düzenleyin
Qubit Üretildi | Genel Hesap QbitAI
Görüntüde çok fazla ses var. Geniş bir kar taneleri alanı tanrıçanın yüzünü bile göremiyor. Geleneksel gürültü azaltma yöntemi çok zayıf. Onu kırmanın bir yolu var mı?
Yakın zamanda yapılan bir araştırma, yeni bir görüntü denoize algoritması oluşturmaya gerek olmadığını, sadece mevcut algoritmadaki ufak bir iyileştirmenin gürültü giderme etkisini birkaç adımda artırabileceğini belirtti.
BM3D, LPCA ve PLOW gibi mevcut ana akım, yama tabanlı görüntü denoising algoritmalarında, bu iyileştirme tekniği görsel iyileştirmeler elde etti.
Bana inanmıyorsanız, bakın:
Resimler ve gerçek var:
Eski televizyondaki gibi kar tanesi etkisi eksik:
Eski denoising algoritmasını nasıl optimize eder?
"Yama Grubu" Teorisi
Görüntü Gürültü Giderme için İyi Benzer Yamalar adlı makalede Portland Eyalet Üniversitesi'nden Si Lu, bu "özel efekt benzeri" gürültü azaltma yönteminin ilkesini tanıttı.
Daha önce, BM3D, LPCA ve PLOW gibi yama tabanlı gürültü azaltma algoritmaları iyi performans gösteriyordu. Giriş görüntüsünde benzer yamaları yeniden üreterek, bu yöntemler potansiyel yama yapısını tahmin edebilir ve ardından görüntü denoising gerçekleştirebilir.
Bu nedenle, bu yöntemler arasından seçilen Benzer yama kalitesi Nihai gürültü azaltma etkisini etkileyen en kritik faktördür.
Benzer yamalar nasıl seçilir? Önceden, araştırmacılar tarafından kullanılan en yaygın yöntem, belirlemek için En Yakın Komşu Aramayı (NNS) kullanmaktı. Görüntü parazitinin varlığı nedeniyle, bu yöntemle seçilen yamalar ile optimum seviye arasında her zaman bazı sapmalar olacaktır:
Yukarıdaki şekilde gösterildiği gibi, soldaki resim belirli bir referans yamayı ve NNS tarafından verilen bir dizi benzer yamayı göstermektedir. Tahmin edilen yamanın gürültü referansına nispeten yakın ve gerçek temiz yamadan (sağda) uzak olduğu görülebilir, bu nedenle NNS, yamaları aramak için en iyi seçenek değildir.
Bu makalede, araştırmacılar, yaygın olarak kullanılan BM3D, LPCA ve PLOW algoritmaları gibi yama tabanlı denoising algoritmalarına dayanan bir dizi benzer yama bulmaya yardımcı olacak yeni bir yama arama yöntemi önerdiler.
İyi benzer yamalar, referans yamanın gürültüsüz versiyonuna yaklaşmalıdır.Araştırmacılar, yüksek kaliteli benzer yamaların dağılımının, gürültü referansını merkezlemek yerine, bir Gauss işlevine yaklaştığını varsayarlar.
Bu varsayıma dayanarak, araştırmacılar önce NNS'yi her bir referans yaması için bir dizi alternatif benzer yama elde etmek için kullandılar ve ardından bu aday yamaların Gauss dağılımını modelledi ve bunları farklı alt kategorilere ayırdı.
Son olarak, araştırmacılar, referans yamaları içeren bu alt kategorileri benzer denoize yamalar olarak ele aldılar ve gürültü azaltma etkisi önemli ölçüde iyileştirildi.
Araştırmacılar, benzer yamaların kalitesini daha da iyileştirmek için, güvenilmez piksellerin etkisini ortadan kaldırmak için giriş gürültü görüntüsünü de önceden işledi.
Geliştirilmiş BM3D, LPCA ve PLOW algoritmalarında, başlangıçta gösterildiği gibi, iyileştirilmiş yöntemin tepe sinyal-gürültü oranı (PSNR), iyileştirmeden öncekine göre iyileştirilmiştir ve gürültü giderme etkisinin iyileştirilmesi çıplak gözle görülebilir.
Portal
Şu anda, bu makale IEEE WACV 2019 tarafından kabul edilmiştir. Gürültüden arındırma yöntemini daha fazla keşfetmek istiyorsanız, Görüntü Gürültü Giderme için İyi Benzer Yamalar adlı orijinal kağıda geçebilirsiniz:
https://arxiv.org/abs/1901.06046
- Bitiş -
Samimi işe alım
Qubit, editörleri / muhabirleri işe alıyor ve merkezi Pekin, Zhongguancun'da bulunuyor. Yetenekli ve hevesli öğrencilerin bize katılmasını dört gözle bekliyoruz! Ayrıntılar için, lütfen QbitAI diyalog arayüzünde "işe alım" kelimesiyle yanıt verin.
Qubit QbitAI · Toutiao İmzalayan Yazar
' ' Yapay zeka teknolojisi ve ürünlerindeki yeni eğilimleri takip edin
