DeBayer
文章平均质量分 91
Adagrad
程序员
展开
-
Deep Joint Demosaicking and Denoising
去马赛克和去噪是数字成像流程的关键第一阶段,但它们也是一个严重不适定的问题,从单个噪声测量中推断出每个像素的三个颜色值。早期的方法依赖于手工制作的滤波器或先验,并且在硬情况下(例如摩尔纹或薄边缘)仍然表现出令人不安的视觉伪影。我们引入了一种新的数据驱动方法来应对这些挑战:我们在大型图像语料库上训练深度神经网络,而不是使用手动调整的滤波器。虽然深度学习已经取得了巨大的成功,但其使用现有训练数据集的简单应用并不能为我们的问题提供令人满意的结果,因为这些数据集缺乏困难的案例。原创 2023-10-18 10:11:14 · 492 阅读 · 0 评论 -
Learning Deep Convolutional Networks for Demosaicing
本文对应用卷积神经网络(CNN)解决去马赛克问题进行了全面的研究。该论文提出了两种 CNN 模型,它们可以学习马赛克样本和具有完整信息的原始图像块之间的端到端映射。在使用拜耳滤色器阵列 (CFA) 的情况下,对流行基准的评估证实 CNN 模型的数据驱动、自动学习特征非常有效,并且我们提出的最佳 CNN 模型优于当前的SOTA算法。实验表明,所提出的 CNN 模型在 sRGB 空间和线性空间中都可以表现得同样好。还证明了 CNN 模型可以执行联合去噪和去马赛克。原创 2023-10-17 14:19:24 · 385 阅读 · 1 评论 -
Adaptive Homogeneity-Directed Demosaicing Algorithm
经济高效的数码相机使用单图像传感器,将红色、绿色和蓝色滤色镜的交替图案应用到每个像素位置。通过估计每个颜色平面中缺失的像素分量来重建彩色图像的完整三色表示的方法称为去马赛克算法。本文提出了通常与结合二维 (2-D) 方向插值的去马赛克算法相关的三个固有问题:误导色彩伪影、插值色彩伪影和混叠。可以使用度量邻域建模来比较两个图像中存在的误导性颜色伪影的水平。所提出的去马赛克算法通过在颜色伪影较少的方向上进行插值来估计丢失的像素。通过将滤波器组技术应用于二维方向插值来解决混叠问题。使用非线性迭代过程减少插值伪影。原创 2023-10-16 15:29:27 · 541 阅读 · 0 评论