view in publisher's site

Variational EM method for blur estimation using the spike-and-slab image prior

Most state-of-the-art blind image deconvolution methods rely on the Bayesian paradigm to model the deblurring problem and estimate both the blur kernel and latent image. It is customary to model the image in the filter space, where it is supposed to be sparse, and utilize convenient priors to account for this sparsity. In this paper, we propose the use of the spike-and-slab prior together with an efficient variational Expectation Maximization (EM) inference scheme to estimate the blur in the image. The spike-and-slab prior, which constitutes the gold standard in sparse machine learning, selectively shrinks irrelevant variables while mildly regularizing the relevant ones. The proposed variational Expectation Maximization algorithm is more efficient than usual Markov Chain Monte Carlo (MCMC) inference and, also, proves to be more accurate than the standard mean-field variational approximation. Additionally, all the prior model parameters are estimated by the proposed scheme. After blur estimation, a non-blind restoration method is used to obtain the actual estimation of the sharp image. We investigate the behavior of the prior in the experimental section together with a series of experiments with synthetically generated and real blurred images that validate the method's performance in comparison with state-of-the-art blind deconvolution techniques.

استفاده از روش EM (EM)برای برآورد تاری با استفاده از تصویر spike و slab

اکثر روش‌های state تصویر کور تصویر - مبتنی بر الگوی Bayesian برای مدل کردن مشکل deblurring و برآورد هر دو تصویر محو و تصویر نهفته هستند. مرسوم است که تصویر را در فضای فیلتر مدل کنیم، جایی که فرض می‌شود پراکنده باشد، و از priors مناسب برای حساب این sparsity استفاده کند. در این مقاله، ما استفاده از طرح استنتاج spike و - را برای تخمین تاری در تصویر پیشنهاد می‌کنیم. قبل از آن، که استاندارد طلایی را در یادگیری ماشین پراکنده تشکیل می‌دهد، به طور انتخابی متغیرهای بی‌ربط و بی‌ربط، در حالی که مقادیر مربوطه را به طور انتخابی محدود می‌کند، کاهش می‌دهد. الگوریتم variational Expectation proposed proposed نسبت به روش MCMC زنجیره مارکوف مونت کارلو کارایی بیشتری دارد و همچنین ثابت می‌کند که دقیق‌تر از تقریب میانگین - میدان میانگین است. علاوه بر این، تمامی پارامترهای مدل قبلی توسط طرح پیشنهادی تخمین زده می‌شوند. بعد از تخمین تاری، یک روش بازیابی غیر کور برای به دست آوردن برآورد واقعی تصویر شارپ استفاده می‌شود. ما رفتار پیش از شروع در بخش تجربی را با مجموعه‌ای از آزمایش‌ها با مصنوعی تولید شده و تصاویر محو واقعی بررسی می‌کنیم که عملکرد method's را در مقایسه با تکنیک‌های - کور state تایید می‌کند.

ترجمه شده با

Download PDF سفارش ترجمه این مقاله این مقاله را خودتان با کمک ترجمه کنید
سفارش ترجمه مقاله و کتاب - شروع کنید

95/12/18 - با استفاده از افزونه دانلود فایرفاکس و کروم٬ چکیده مقالات به صورت خودکار تشخیص داده شده و دکمه دانلود فری‌پیپر در صفحه چکیده نمایش داده می شود.