الوصف
أصبحت الصور المسبقة أداة شائعة لمهام استعادة الصور. تم تطبيق مقدمات جيدة على مهام مختلفة مثل تقليل التشويش على الصورة ، ورسومات الصورة والمزيد ، مما يؤدي إلى نتائج ممتازة. ومع ذلك ، فإن تعلم القيم المسبقة الجيدة من الصور الطبيعية مهمة شاقة – فالأبعاد العالية للصور تجعل التعلم والاستدلال والتحسين مع مثل هذه المقدمات أمرًا صعبًا للغاية. نتيجة لذلك ، في العديد من الأعمال ، يتم تعلم المسابقات على تصحيحات صور صغيرة. هذا له ميزة جعل المهام الحسابية مثل التعلم والاستدلال وتقدير الاحتمالية أسهل بكثير من العمل مع الصور الكاملة مباشرة.
نقارن الآن أداء طريقتنا (EPLL + GMM) بطرق محددة للصور – والتي تتعلم من الصورة الصاخبة نفسها. نحن نقارن بين KSVD و BM3D و LLSC والتي تعد حاليًا من أحدث التقنيات في تقليل تشويش الصورة. يمكن رؤية ملخص النتائج في الجدول 2 ب. كما يمكن رؤيته ، فإن طريقتنا تنافسية للغاية مع هذه الطريقة الحديثة ، على الرغم من أنها عامة. يمكن رؤية بعض الأمثلة على النتائج في الشكل 1.
أمثلة على تقليل الضوضاء باستخدام EPLL-GMM مقارنة بأحدث طرق تقليل الضوضاء – KSVD [3] و LLSC [8]. لاحظ كيف يتم الحفاظ على التفاصيل بشكل أفضل في طريقتنا عند المقارنة
إلى KSVD. لاحظ أيضًا التشابه في الأداء مع طريقتنا عند مقارنتها بـ LLSC ، على الرغم من أن LLSC تتعلم من الصورة الصاخبة. انظر المواد التكميلية لمزيد من الأمثلة.
التقدير والحفظ لتقليل التشويش المحسن للصورة
المراجعات
لا توجد مراجعات بعد.