Relations between image model and number of measures for a high fidelity super-resolution
| Autor: | Traonmilin, Yann |
|---|---|
| Přispěvatelé: | Traonmilin, Yann, Laboratoire Traitement et Communication de l'Information (LTCI), Télécom ParisTech-Institut Mines-Télécom [Paris] (IMT)-Centre National de la Recherche Scientifique (CNRS), Télécom ParisTech, Andrés Almansa, Saïd Ladjal |
| Jazyk: | francouzština |
| Rok vydání: | 2014 |
| Předmět: | |
| Zdroj: | Traitement du signal et de l'image [eess.SP]. Télécom ParisTech, 2014. Français. ⟨NNT : 2014-ENST-0043⟩ |
| Popis: | Multi-image super-resolution produces a high resolution image from severallow resolution acquisitions of a scene. This inverse problem can be ill-posed. We then needto use a regularity model on the scene to be able to produce a realistic image. However,modelization errors limit the performance of such methods. Consequently, finding conditionswhere the problem is well-posed is necessary to be able to limit the amount of regularizationwhen possible, and maximize the fidelity of the result. We ask ourselves the followingquestions :For noises with finite energy or ouliers, how many images permit the reconstruction ofa high resolution image close to the real scene ? How to maximize fidelity of regulariedmethods when the number of images is too small ?For measure noises, an asymptotic study of the conditioning guarantees that it is possibleto use an unregularized method if enough images are available. In cases closes to the criticalinversible case, which are not well-posed, we propose and validate a local estimator of theconditioning, which we use to limit the amount of regularization. For outliers, we use theequivalence between the sparse recovery problem and the robustness to outliers to calculatebounds for the robustness of super-resolution. We also study the regularized case and showconditions which increase the robustness of the problem. All these resuts are validated byexperiments. La super-résolution multi-image consiste à produire une image de haute résolution d’une scène à partir de plusieurs acquisitions de basse résolution. Le problème inverse correspondantpeut être mal posé, il faut alors avoir recours à un modèle de régularité sur le contenude la scène pour produire une image de haute résolution réaliste. Seulement, les erreurs demodélisation limitent la performance de telles méthodes. En conséquence, il est importantde déterminer les conditions dans lesquelles le problème est bien posé afin d’éviter derégulariser lorsque cela est possible, et ainsi maximiser la fidélité de la super-résolution. Onse pose donc les questions suivantes :Pour des bruits d’énergie finie ou une contamination par des données aberrantes (desupport fini), combien d’images permettent de produire une image de haute résolution fidèleà la réalité ? Comment maximiser la fidélité du résultat des méthodes régularisées lorsquele nombre d’images est insuffisant ?Dans le cas d’un bruit de mesure, une étude du comportement asymptotique du conditionnementdu système inverse valide la possibilité d’effectuer une super-résolution nonrégularisée lorsque le nombre d’images est suffisant. Par ailleurs, dans les cas prochesdu seuil critique d’inversibilité, qui sont les plus mal posés, nous proposons et validons unestimateur local du conditionnement qui nous permet de restreindre le plus possible le recoursà une régularisation. Dans le cas de données aberrantes, nous utilisons l’équivalenceentre le problème de reconstruction parcimonieuse et la résistance aux données aberrantespour démontrer des bornes de résistance aux données aberrantes du problème de superrésolution.Nous traitons aussi le cas de la régularisation et montrons les conditions souslesquelles celle-ci permet d’améliorer la robustesse du problème. Tous ces résultats sontvalidés par des expériences. |
| Databáze: | OpenAIRE |
| Externí odkaz: |
|