Resumen

En general, existen principalmente dos métodos para resolver la tarea de restauración de imágenes en visión por computador de bajo nivel, es decir, el método de optimización basado en modelos y el método de aprendizaje discriminativo. Sin embargo, estos dos métodos tienen claras ventajas y desventajas. Por ejemplo, el método de optimización basado en modelos es flexible para tratar diferentes problemas, pero se requiere una gran cantidad de tiempo de computación para obtener un mejor rendimiento. El método de aprendizaje discriminativo tiene una alta eficiencia computacional, pero el ámbito de aplicación está seriamente limitado por el modelo de entrenamiento fijo. Sería mejor combinar las ventajas de estos dos métodos. Por suerte, con las técnicas de división de variables, insertamos la red neuronal convolucional (CNN) entrenada para denoising como un modelo al método de optimización basado en modelos para resolver otros problemas de restauración de imágenes (por ejemplo, desdibujado y superresolución). Los resultados experimentales finales muestran que nuestra red de eliminación de ruido es capaz de proporcionar información previa sólida para tareas de restauración de imágenes. Los efectos de la restauración de imágenes pueden alcanzar o aproximarse al algoritmo más avanzado en tres tareas como la eliminación de ruido, el desenfoque y la superresolución. Además, el algoritmo propuesto en este trabajo es también el más competitivo en términos de eficiencia computacional.

• Materias:Biotecnología Minería de datos Redes de sensores Sistema de sensores Tecnología de sensores
• Subjects:Biotechnology Data mining Sensor networks Sensor system Sensor technology
• Palabras claves:método de optimización, modelo, métodos, otros problemas de restauración de imágenes, resultados experimentales finales, red neuronal convolucional, enfoque de aprendizaje discriminativo, método de aprendizaje discriminativo, alta eficiencia informática, efectos de restauración de imágenes
• Keywords:optimization method, model, methods, other image restoration problems, final experimental results, convolutional neural network, discriminative learning approach, discriminative learning method, high computing efficiency, image restoration effects