Patch-based image Super Resolution using generalized Gaussian mixture model
| Autor: | Dang-Phuong-Lan NGUYEN, Jean-François Aujol, Yannick Berthoumieu |
|---|---|
| Přispěvatelé: | NGUYEN, Dang-Phuong-Lan |
| Rok vydání: | 2022 |
| Předmět: |
Signal Processing (eess.SP)
FOS: Computer and information sciences Computer Science - Machine Learning [INFO.INFO-TI] Computer Science [cs]/Image Processing [eess.IV] Image and Video Processing (eess.IV) FOS: Electrical engineering electronic engineering information engineering [INFO.INFO-LG] Computer Science [cs]/Machine Learning [cs.LG] Electrical Engineering and Systems Science - Image and Video Processing Electrical Engineering and Systems Science - Signal Processing [MATH.MATH-ST] Mathematics [math]/Statistics [math.ST] [SPI.SIGNAL] Engineering Sciences [physics]/Signal and Image processing Machine Learning (cs.LG) |
| Zdroj: | HAL |
| DOI: | 10.48550/arxiv.2206.03069 |
| Popis: | Single Image Super Resolution (SISR) methods aim to recover the clean images in high resolution from low resolution observations.A family of patch-based approaches have received considerable attention and development. The minimum mean square error (MMSE) methodis a powerful image restoration method that uses a probability model on the patches of images. This paper proposes an algorithm to learn a jointgeneralized Gaussian mixture model (GGMM) from a pair of the low resolution patches and the corresponding high resolution patches fromthe reference data. We then reconstruct the high resolution image based on the MMSE method. Our numerical evaluations indicate that theMMSE-GGMM method competes with other state of the art methods. Les méthodes de super résolution d'image visent à recréer une image haute résolution à partir d'une basse résolution. La famille d'approches basée sur les patchs a fait l'objet d'une attention et d'un développement considérable. La technique de minimum de l'erreur quadratique moyenne est une méthode de restauration d'images qui utilise un modèle gaussien de probabilités sur les patchs d'images. Cet article propose un algorithme d'apprentissage d'un modèle conjoint de mélange gaussien généralisé (GGMM) à partir des paires de patchs à basse résolution et des patchs correspondants à haute résolution d'une image de référence. À partir de ce modèle GGMM, l'image haute résolution en utilisant la méthode MMSE. Nos évaluations numériques indiquent que la méthode MMSE-GGMM se comporte très bien par rapport à l'état de l'art. |
| Databáze: | OpenAIRE |
| Externí odkaz: |
|