دانلود ترجمه مقاله کلاسه بندی جز به کل برای تخمین اندازه کرنل ماتی حرکتی

1. مقدمه 2. روش پیشنهادی 3. آزمایش و تجزیه و تحلیل 4. خلاصه

تخمین اندازه کرنل ماتی به طور قابل توجهی بر کیفیت ماتزدایی تصویر تأثیر می گذارد. با این حال ، روش های موجود محدودیت زیادی در دقت تخمین و همچنین سازگاری با اندازه های کرنل بزرگ دارند. در این مقاله ، ما یک روش تخمین اندازه کرنل ماتی جدید با استفاده از CNN ارائه می دهیم. ما ابتدا تخمین اندازه کرنل 2-D را به یک مسئله کلاسه بندی 1-D تبدیل می کنیم. سپس یک مدل شبکه آبشاری با استفاده از شبکه‌های همگن به گونه‌ای طراحی شده‌است که کل فضای تخمین را به ۳۸ فاصله کوچک کاهش دهد تا تخمین اندازه کرنل دقیق‌تر به صورت درشت تا ریز داشته باشد. آزمایش‌ها نشان می‌دهد که روش پیشنهادی به کارایی رضایت‌بخشی از تخمین اندازه کرنل با سازگاری با کرنل‌های نامشخص مختلف رسیده‌است.

Blur kernel size estimation significantly affects the quality of image deblurring. However, existing methods have a large limitation in estimation accuracy as well as in the adaptability to large kernel sizes. In this paper, we propose a novel blur kernel size estimation method using CNNs. We first convert the 2-D kernel size estimation to a 1-D classification problem. A cascaded network model using homogeneous networks is then designed to cut the entire estimation space into 38 small intervals to have a more accurate kernel size estimation in a coarse-to-fine manner. Experiments show that the proposed method has reached a satisfying performance of kernel size estimation with a largely improved adaptability to various blur kernels.