自己縮小画像と混合ガウス分布モデルを用いた超解像 IS2-22 小川祐樹・堀 貴博・滝口哲也・有木康雄(神戸大学) 研究背景 提案手法 モデル性が強く,表現力の強い手法を提案 従来手法のように大量の学習画像を用いず,入力画像のみで処理 超解像とは 低解像度の劣化画像を高解像度の画像へと変換する技術 2つの提案手法 GMMから作成した変換関数を用いて超解像を行う GMM GMMとPLSを組み合わせて変換関数を作成する GMM+PLS GMM(Gaussian Mixture Model) 確率分布 : P(x) 確率分布を複数の正規分布に対する重み付 き和を用いて表現する M P( x) i N ( x : i , i ) i 1 パラメータの推定にはEMアルゴリズム (Expectation Maximization)を用いる M i 1 i 1 特徴ベクトル: x 平均ベクトル: m GMMの例 データの次元 : 2 正規分布混合数 : 4 分散共分散行列: m 正規分布 : N ( x : m , m ) 重み係数 : m 混合数 : M 提案手法の流れ x y z x1 y 1 Bicubic interpolation x2 ... ... xn y2 ... ... yn GMM parameters are estimated using (EM) algorithm param eters( i , , ) z i z i Reduction Self-reduction image I R 変換関数 xx i yx i z i z , i xy i yy i x i y i Estimation of parameters Bicubic interpolation PLS(Partial Least Squares) Enlarged image I L Input image GMMのみで変換関数を作成すると , 過学習が起こる可能性があるので , それを防ぐために用いる I High-pass filter I 'L y x Diff image IF I IL I LH 1~I LH 4 Image patches Super-resolution image I S I 'L I 'F Image patches ym xm e Conversion y f (x) GMM of z ( x, y) Conversion function y f (x) or x GMM + PLS データをそのまま使わずに潜在変数を計算 し、その潜在変数への回帰を行う 回帰係数:β 残差:e M y ~ ˆ y x m m i , m i GMM + PLS回帰 y i 1 I 'F I 'LH 1 ~I 'LH 4 Learning of conversion function y i , m m m 1 T Estimation of Super-resolution y i T 評価実験 256x256画素の画像を縦横2倍に拡大し,失われた高周波成分がどれだけ復元できたか調べる 比較手法: Bicubic法, Example-based手法, スパースコーディング, 提案手法(GMMのみ), 提案手法(GMM + PLS) 評価方法:PSNR, SSIM, VSNR PSNR SSIM VSNR Bicubic 33.07 0.8015 16.20 Example-based 32.23 0.7540 15.35 Sparse-coding 34.20 0.8608 17.05 Proposed(GMM) 35.57 0.9157 17.43 Proposed(GMM+PLS) 36.74 0.9162 17.32 (1) Bicubic interpolation (2) Example-based (3) Sparse-coding (4) Proposed (GMM) まとめ・今後の課題 従来手法との比較を行った結果,2つの提案手法(GMMのみ,GMM+PLS) 共に,従来手法より評価値が優れ, より鮮明な画像を作成することができた 今後の課題 : パラメータの自動推定,更に有効な変換関数の作成方法 (5) Proposed (GMM+PLS)
© Copyright 2024 ExpyDoc