• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>Journal of Scientific Computing >Kullback-Leibler Divergence Based Composite Prior Modeling for Bayesian Super-Resolution
【24h】

Kullback-Leibler Divergence Based Composite Prior Modeling for Bayesian Super-Resolution

机译：贝叶斯超分辨率的基于Kullback-Leibler散度的复合先验建模

获取原文
获取原文并翻译 | 示例
           
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

This paper proposes to adaptively combine the known total variation model and more recent Frobenius norm regularization for multi-frame image super-resolution (SR). In contrast to existing literature, in this paper both the composite prior modeling and posterior variational optimization are achieved in the Bayesian framework by utilizing the Kullback-Leibler divergence, and hyper-parameters related to the composite prior and noise statistics are all determined automatically, resulting in a spatially adaptive SR reconstruction method. Experimental results demonstrate that the new approach can generate a super-resolved image with higher signal-to-noise ratio and better visual perception, not only image details better preserved but also staircase effects better suppressed.
机译：本文提出将已知的总变化模型和最新的Frobenius范数正则化自适应地结合起来，以实现多帧图像超分辨率（SR）。与现有文献相反，在本文中，利用Kullback-Leibler散度在贝叶斯框架中实现了复合先验建模和后变优化，并且自动确定了与复合先验和噪声统计有关的超参数，从而在空间自适应SR重建方法中。实验结果表明，该新方法可以生成具有更高信噪比和更好视觉感知的超分辨图像，不仅可以更好地保留图像细节，而且可以更好地抑制阶梯效应。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号