دانلود ترجمه مقاله مات زدایی حرکتی سریع

1. مقدمه 2. کار مرتبط 3. دکانولوشن کور سریع تصویر واحد 4. تخمین سریع تصویر پنهان 5. تخمین سریع کرنل 6. نتایج 7. بحث و بررسی

چکیده – این مقاله یک روش مات‌زدایی سریع را ارائه می‌‌دهد که در عرض چند ثانیه یک نتیجه مات‌زدایی‌شده از یک تصویر واحد اندازه متوسط تولید می‌‌کند. ما هم تخمین تصویر پنهان و هم تخمین کرنل در یک فرآیند مات‌زدایی تکرارشونده را با معرفی یک مرحله پیش‌بینی جدید و کار با مشتقات تصویر به جای مقادیر پیکسل، سرعت می‌‌بخشیم. در مرحله پیش‌بینی، ما از روش‌های ساده پردازش تصویر برای پیش‌بینی لبه‌های قوی یک تصویر نهفته تخمین ‌زده‌شده استفاده می‌‌کنیم، که به تنهایی برای تخمین کرنل مورد استفاده قرار می‌‌گیرد. با این رویکرد، یک دانش پیشین گوسی که از نظر محاسباتی کارآمد است، برای دکانولوشن و تخمین تصویر پنهان کافی است، زیرا آثار تصنعی کوچک دکانولوشن را می‌‌توان در پیش‌بینی از بین برد. برای تخمین کرنل، ما تابع بهینه‌سازی را با استفاده از مشتقات تصویر فرمول‌بندی می‌‌کنیم و فرآیند عددی را با کاهش تعداد تبدیلات فوریه مورد نیاز برای روش گرادیان مزدوج، تسریع می‌‌کنیم. ما همچنین نشان می‌‌دهیم که فرمول‌بندی باعث می‌‌شود تا شرایط کمتری از سیستم عددی، نسبت به استفاده از مقادیر پیکسل، حاصل شود، که این امر به همگرایی سریع‌تر منجر می‌شود. نتایج تجربی نشان می‌‌دهد که روش ما نسبت به کار قبلی، دستورات را سریع‌تر اجرا می‌‌کند، در حالی که کیفیت مات‌زدایی، قابل مقایسه است. پیاده‌سازی GPU به سرعت‌دهی بیشتر کمک می‌‌کند، و روش ما را به اندازه کافی برای استفاده عملی، سریع می‌‌کند.

This paper presents a fast deblurring method that produces a deblurring result from a single image of moderate size in a few seconds. We accelerate both latent image estimation and kernel estimation in an iterative deblurring process by introducing a novel prediction step and working with image derivatives rather than pixel values. In the prediction step, we use simple image processing techniques to predict strong edges from an estimated latent image, which will be solely used for kernel estimation. With this approach, a computationally efficient Gaussian prior becomes sufficient for deconvolution to estimate the latent image, as small deconvolution artifacts can be suppressed in the prediction. For kernel estimation, we formulate the optimization function using image derivatives, and accelerate the numerical process by reducing the number of Fourier transforms needed for a conjugate gradient method. We also show that the formulation results in a smaller condition number of the numerical system than the use of pixel values, which gives faster convergence. Experimental results demonstrate that our method runs an order of magnitude faster than previous work, while the deblurring quality is comparable. GPU implementation facilitates further speed-up, making our method fast enough for practical use.

بخشی از ترجمه مقاله (صفحه 10 فایل ورد ترجمه)