Anchored Neighborhood Regression【阅读笔记】GR全局回归

本文介绍了Anchored Neighborhood Regression (ANR)在超分辨率中的应用,作为稀疏编码(Sparse Coding, SC)的改进方法。ANR通过预计算的投影矩阵在训练阶段实现LR到HR的转换,提高重建速度。全局回归(Global Regression, GR)是ANR的一种特殊情况,使用相同投影矩阵处理所有特征,但可能牺牲图像质量和匹配度。" 95384862,8539192,QT实现登录界面与SQL Server连接验证,"['QT', '数据库开发', 'SQL', '前端开发']
摘要由CSDN通过智能技术生成

论文信息

[Anchored Neighborhood Regression for Fast Example-Based uper Resolution]-TIMOFTER, 2013, IEEE International Conference on Computer Vision

前置内容

邻域嵌入(Neighbor Embedding, NE)是“样本-样本”映射,在训练样本中寻找测试样本的相似邻居特征样本,计算量略大。

稀疏编码(Sparse Coding)重建的过程是从字典中自适应的选择一个或者多个字典原子,这些字典原子适合当前输入低分辨率图像块特征,最后利用这些字典原子的线性组合来得到相应的高频细节特征。需要在重建过程计算LR到HR图的原子投影矩阵,计算复杂度高。

锚点邻域回归(Anchored Neighborhood Regression, ANR)改进SC算法,SC的原子投影矩阵需要在重建过程进行在线处理,耗时很大。ANR算法提出找一个投影矩阵可以在训练阶段离线计算,映射关系确定后在重建过程直接使用,可以实时重建高分辨率图像。

稀疏表示的思想在于LR字典与HR字典可以共用一套稀疏系数矩阵

LR: 低分辨率;HR:高分辨率

全局回归( Global Regression

全局回归( Global Regression, GR)是ANR的极端情况。全局回归通过相同的投影矩阵把LR特征投射到HR空间 ,针对所有字典特征,,由GR引出投影矩阵的公式

假设输入图像块特征对应相同的映射矩阵全局回归看作稀疏为 l 2 l_2 l2范数正则化的最小二乘回归
m i n ∥ y F − N l β ∥ 2 2 + λ ∥ β ∥ 2 ( 1 ) min\lVert y_F-N_l\beta \rVert_2^2+ \lambda \rVert\beta\rVert_2 (1) minyFNlβ22+λβ2(1)

其中, y F y_F yF表示 输入的LR块特征, N l N_l N

评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

AomanHao

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值