دانلود ترجمه مقاله مات زدایی تصویر با دانش پیشین رتبه پایینِ بهبود یافته

1. مقدمه 2. کار و مشکل مربوطه LRMA .3 برای مات زدایی تصویر 4. الگوریتم پیشنهادی 5. بهینه سازی 6. LRMA برای مات زدایی غیریکنواخت 7. نتایج تجربی 8. نتیجه گیری

تقریب ماتریس درجه پایین در سال‌های اخیر، با موفقیت به مسائل بینایی متعددی اعمال شده‌است. در این مقاله، ما یک دانش پیشین درجه پایین جدید برای مات زدایی تصاویر کور پیشنهاد می‌کنیم. نکته اصلی ما این است که اعمال مستقیم یک مدل درجه پایین ساده به تصویر ورودی تار، بطور قابل توجهی تاری را حتی بدون استفاده از هرگونه اطلاعات کرنلی، کاهش دهد در حالی که اطلاعات لبه مهم حفظ شود. از همین مدل می توان برای کاهش ماتی در گرادیان یک تصویر ورودی مات استفاده کرد. بر اساس این خصوصیات ، ما با ترکیب درجه پایین قطعه های مشابه از تصویر مات و گرادیان اش ، یک دانش پیشین پیشرفته برای مات زدایی تصویر معرفی می‌کنیم. ما یک روش کمینه‌سازی نُرم هسته‌ی وزن دار (WNNM) را برای اثر بخشی بیشتر دانش پیشین درجه پایین مات زدایی تصویر به کار می‌گیریم و با حفظ لبه‌های برجسته و از بین بردن بافت ظریف و لبه‌های نازک در تصاویر میانی، اجازه تخمین بهتر کرنل داده می شود. به علاوه، ما دانش پیشین درجه پایین بهبودیافته پیشنهادی را برای هر دو حالت مات زدایی یکنواخت و غیر یکنواخت ارزیابی کردیم. ارزیابی‌های تجربی کمی و کیفی نشان می‌دهد که الگوریتم پیشنهادی در مقایسه با آخرین روش های موفق مات زدایی عملکرد مطلوبی دارد.

Low-rank matrix approximation has been successfully applied to numerous vision problems in recent years. In this paper, we propose a novel low-rank prior for blind image deblurring. Our key observation is that directly applying a simple low-rank model to a blurry input image significantly reduces the blur even without using any kernel information, while preserving important edge information. The same model can be used to reduce blur in the gradient map of a blurry input. Based on these properties, we introduce an enhanced prior for image deblurring by combining the low rank prior of similar patches from both the blurry image and its gradient map. We employ a weighted nuclear norm minimization method to further enhance the effectiveness of low-rank prior for image deblurring, by retaining the dominant edges and eliminating fine texture and slight edges in intermediate images, allowing for better kernel estimation. In addition, we evaluate the proposed enhanced low-rank prior for both the uniform and the non-uniform deblurring. Quantitative and qualitative experimental evaluations demonstrate that the proposed algorithm performs favorably against the state-of-the-art deblurring methods.

بخشی از ترجمه مقاله (صفحه 12 فایل ورد ترجمه)