Burst photography for high dynamic range and low-light imaging on mobile cameras Supplemental Material
谷歌翻译如下:
1蛮力L1对齐
在我们粗略精细对齐策略的最佳范围内,我们需要一种对齐技术,该技术在给定大块尺寸但非常小的搜索半径的情况下性能良好。在这种情况下,诸如我们之前描述的快速子像素L2对准的技术或者甚至诸如相位相关的简单技术(Kuglin和Hines 1975)都被执行良好的暴力程序胜过,其使绝对残差最小化。我们使用绝对残差而不是平方残差,因为它们很好地映射到低级计算机体系结构。与平方残差相比,相同输入数据的绝对残差需要更少的位数,从而实现更高的吞吐量。在ARM体系结构中,实际上存在一种计算绝对差异然后累积的操作,使得L1距离的蛮力计算非常计算地轻。该方法通过搜索半径的二次方进行缩放,使其在搜索半径较小的情况下最具吸引力。
2图像对齐金字塔
我们用于对齐的图像金字塔被构造为平衡计算工作量和对齐结果的质量。我们对质量和计算的主要控制是我们在每个金字塔等级搜索的距离。较大的搜索距离允许在金字塔等级之间有较大的下采样因子,这降低了搜索陷入局部最小值的可能性。一般来说,较大的搜索距离是不切实际的;然而,本文介绍的快速L2范数搜索使我们能够使用±4像素的相对较大的搜索区域。然而,尽管快速L2范数搜索在算法上是高效的,但它仍然比较小区域的简单搜索要慢。因此,我们对底部(高分辨率)金字塔等级使用±1像素的L1搜索(第1部分)。
将所有这些放在一起,我们管道中的典型对齐金字塔将如下所示:
•金字塔底层,将拜耳下采样为灰度。该金字塔等级使用L1对齐算法使用±1像素搜索,使用大小为16×16的块。
•由于底部金字塔等级使用±1像素搜索,因此此金字塔等级可以从底层向下采样2倍。此金字塔等级使用快速L2对齐算法进行±4像素搜索,使用大小为16的瓦片×16。
•由于前一级使用±4像素搜索,因此可以将该金字塔级降采样4倍。再次,这个pyra-level级使用快速L2对齐算法的±4像素搜索,使用大小为16× 16。
•最后一级与上一级相似;它以4的因子下采样,并使用相同的搜索算法。然而,在这一点上,我们已经下采样了很多,以致在原始图像中16×16的图块大小实际上非常大。覆盖原始图像中较大有效区域的瓦片有助于减少噪音对搜索的影响,并避免局部最小值。然而,大块瓷砖开始无法逼近非严格平移的场景运动。同时,足够大的瓷砖很大程度上消除了噪音对结果的影响。因此,我们将拼贴大小减少到8×8。
3快速L2残差计算
首先,让我们解决拍摄两个小的子图像和计算“距离图像”的问题,该距离图像测量图像的所有可能的偏移(平移)的两个子图像之间的不匹配。实际上,这将告诉我们两个图像的所有可能的平移的相对好处,我们的假设是使我们的距离测量最小化的平移是对将第一子图像转换为第二子图像的运动的良好估计。
首先,让我们以一个简化的案例开始我们的推导。考虑计算两个向量a和b之间的平方L2距离的问题: