دانلود ترجمه مقاله مات زدایی کور تصاویر با دانش پیشین کانال تاریک

1. مقدمه 2. کار مرتبط 3. دکانولوشن و کانال تاریک 4. مدل و بهینه‌سازی 5. ضمیمه به مات زدایی غیر یکنواخت 6. نتایج آزمایشی 7. تحلیل و بحث و بررسی 8. نکات نتیجه‌گیری

چکیده - ما یک روش مات زدایی تصویر کور موثر و ساده مبتنی بر دانش پیشین کانال تاریک ارایه می‌دهیم. کار ما از این مشاهده جالب الهام‌گرفته شده‌است که کانال تاریک تصاویر مات کم‌تر پراکنده (تنک) شده‌است. در حالی که اکثر قسمت‌های تصویر واضح حاوی برخی از پیکسل های تاریک هستند، این پیکسل ها وقتی با پیکسل مجاور با شدت روشنایی بالا در طول فرآیند تاری متوسط گرفته می‌شوند، تاریک نیستند. این تغییر در تنکی کانال تاریک، یک ویژگی ذاتی فرآیند تاری است، که ما هم از نظر ریاضی و هم اعتبار سنجی با استفاده از داده‌های آموزشی اثبات می‌کنیم. از این رو، اجرای تنکی کانال تاریک به مات زدایی کور در زمینه های مختلف، از جمله تصاویر طبیعی، چهره، متن، و تصاویر کم نور کمک می‌کند. با این حال، تنکی کانال تاریک، یک مسئله بهینه‌سازی غیرخطی غیرمحدب را مطرح می‌کند. ما یک تقریب خطی از اپراتور min را برای محاسبه کانال تاریک معرفی می‌کنیم. روش مبتنی بر مشاهده جدول ما به سرعت در عمل همگرا می‌شود و می‌تواند به طور مستقیم به مات زدایی غیر یکنواخت بسط یابد. آزمایش‌های گسترده نشان می‌دهند که روش ما به نتایج روش های خوب موجود در مات زدایی تصاویر طبیعی دست می‌یابد و روش‌های مطلوب را که برای زمینه های خاص طراحی شده‌اند، مقایسه می کند.

We present a simple and effective blind image deblurring method based on the dark channel prior. Our work is inspired by the interesting observation that the dark channel of blurred images is less sparse. While most image patches in the clean image contain some dark pixels, these pixels are not dark when averaged with neighboring highintensity pixels during the blur process. This change in the sparsity of the dark channel is an inherent property of the blur process, which we both prove mathematically and validate using training data. Therefore, enforcing the sparsity of the dark channel helps blind deblurring on various scenarios, including natural, face, text, and low-illumination images. However, sparsity of the dark channel introduces a non-convex non-linear optimization problem. We introduce a linear approximation of the min operator to compute the dark channel. Our look-up-table-based method converges fast in practice and can be directly extended to non-uniform deblurring. Extensive experiments show that our method achieves state-of-the-art results on deblurring natural images and compares favorably methods that are well-engineered for specific scenarios.

بخشی از ترجمه مقاله (صفحه 10 فایل ورد ترجمه)