文献

J-GLOBAL ID：201702240244692383   整理番号：17A1489508

スパース領域選択に基づく単一画像超解像【Powered by NICT】

Single image super resolution based on sparse domain selection

著者 (7件)： Lu Wen (School of Electronic Engineering, Xidian University, Xi’an 710071, China) ,  Sun Huxing (School of Electronic Engineering, Xidian University, Xi’an 710071, China) ,  Wang Rui (School of Electronic Engineering, Xidian University, Xi’an 710071, China) ,  He Lihuo (School of Electronic Engineering, Xidian University, Xi’an 710071, China) ,  Jou MingJong (Shenzhen China Star Optoelectronics Technology Co., Ltd., Guangdong, China) ,  Syu ShenSian (Shenzhen China Star Optoelectronics Technology Co., Ltd., Guangdong, China) ,  Li JiShiang (Shenzhen China Star Optoelectronics Technology Co., Ltd., Guangdong, China)
資料名： Neurocomputing  (Neurocomputing)
巻： 269  ページ： 180-187  発行年： 2017年 
JST資料番号： W0360A  ISSN： 0925-2312  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： 単一画像超解像(SR)は,入力低解像度(LR)画像から高解像度(HR)画像を形成することを目的とした。スパース符号化に基づく事例学習法は典型的には低分解能及び高分解能特徴はそれら自身の辞書上での同じ表現係数を共有することを仮定した。仮定は,特徴空間の複雑性とそれらの間のマッピングをモデル化するための柔軟性制限する強い制約である。問題を解決するために,本論文では,スパース領域選択を用いた新しい単一画像超解像手法を提案した。訓練フェーズでは,LRとHR係数間の効率的なマッピングは,LR HR辞書により張られた特徴空間の中で疎で領域を探索することにより確立した。マッピングと学習HR辞書は,スパース表現誤差とスパース領域マッピング誤差の最小化による共同最適化した。再構築のフェーズにおいて,入力LR特徴から学んだマッピングは,正確で安定したSR回収率を達成するために所望のHR特徴に適用した。実験結果により,提案アプローチはHRとLRの特徴から関係モデリングのより可能とし,その結果,再構成画像の品質を改善することを示した。Copyright 2017 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【Powered by NICT】

シソーラス用語： *超解像 ,  最適化 ,  品質 ,  柔軟性 ,  再構成 ,  *透視図法 ,  学習 ,  高分解能 ,  *画像 ,  モデリング
準シソーラス用語： スパース表現 ,  複雑性 ,  特徴空間 ,  スパースコーディング ,  低分解能 , 【Automatic Indexing@JST】

著者キーワード (3件)： 単一画像超解像 ,  学習に基づく例 ,  スパース領域選択

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (1件)： 超解像