کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6940366 1450011 2018 10 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Non-stationary deep network for restoration of non-Stationary lens blur
ترجمه فارسی عنوان
شبکه عمیق غیر ثابت برای ترمیم لنزهای غیر ثابت
کلمات کلیدی
ترجمه چکیده
نوری های نوری یک لنز باعث می شود تا تاری دید لنز به تصاویر عکس برداری شود. تاری لنز غیر ثابت است با مقدار و ویژگی های تاری در بسته به مکان های پیکسل فضایی در تصویر متفاوت است. این کار شبکه های عمیق غیر ثابت را برای ترمیم لنز غیر سازمانی ارائه می دهد. شبکه های عمیق دارای زمینه های پذیرش نسبتا بزرگتری هستند. با این حال، زمینه های پذیرفته شده از شبکه های عمیق ثابت به اندازه کافی گسترده نیستند تا شبکه ها بتوانند با ناپیوستگی لنز تاری که در کل تصویر قرار دارند، کنار بیایند. ما از مکان های پیکسل فضایی به عنوان یک ورودی اضافی برای شبکه ها استفاده می کنیم تا اجازه استفاده از ویژگی های وابسته به مکان را برای رسیدگی به عدم استقرار داشته باشیم. نتایج تجربی نشان می دهد که حتی شبکه های غیر ثابت کوچکتر عملکردهای بهترتری نسبت به شبکه های عمودی ثابت دارند. شبکه های غیر ثابت از جفت تصاویر گرفته شده در تنظیمات دیافراگم مختلف آموزش داده می شوند و از ضرورت برآورد یا اندازه گیری لنز های غیر لرزش نوری نوع پیکسل استفاده می شود.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر چشم انداز کامپیوتر و تشخیص الگو
پیش نمایش مقاله
شبکه عمیق غیر ثابت برای ترمیم لنزهای غیر ثابت
چکیده انگلیسی
Optical aberrations of a lens introduce lens blur to photographed images. Lens blur is non-stationary with the amount and characteristics of blur varying depending on spatial pixel locations in an image. This work presents non-stationary deep networks for the restoration of non-stationary lens blur. Deep networks have relatively larger receptive fields. However, the receptive fields of stationary deep networks are not wide enough for the networks to cope with the non-stationarity of lens blur that span the entire image. We use spatial pixel locations as an additional input to networks to let the network utilize location dependent features to handle the non-stationarity. Experimental results show that even shallower non-stationary networks provide better performance than deeper stationary networks. The non-stationary networks are trained from pairs of images photographed at different aperture settings, eliminating the necessity of estimation or measurement of pixel-wise variant non-stationary lens blur.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Pattern Recognition Letters - Volume 108, 1 June 2018, Pages 62-69
نویسندگان
, , ,