Enfoque Bayesiano basado en hyperpriors para denoising e interpolación de imágenes conjuntos, con una aplicación a generación de imágenes de alto rango dinámico.

Recientemente se han reportado resultados muy impresionantes basados en enfoques Bayesianos que asumen modelos Gaussianos para la distribución de patches (ventanas localizadas) en imágenes. Esta mejora en los resultados se puede atribuir a la asignación de un modelo gaussiano individual para cada patch. La limitante de estos enfoques es que no son generalizables de forma directa a otros problemas que el denoising, ya que los problemas inversos asociados se vuelven mal condicionados. En este trabajo proponemos utilizar hyperpriors/hyperparametros para modelizar los patches de las imágenes, con el fin de estabilizar la estimación. El enfoque propuesto presenta principalmente dos ventajas: en primer lugar es adaptable a cualquier operador de degradación diagonal, en particular a problemas con datos faltantes (e.g. inpainting o interpolación, o zooms). En segundo lugar, el enfoque permite contemplar modelos de ruido dependientes de la señal, lo cual es particularmente adaptado a las cámaras digitales en donde el ruido en cada pixel depende de su nivel de luminancia. Para ilustrar este segundo punto, presentamos una aplicación a la generación de imágenes de alto rango dinámico a partir de una única imagen adquirida con un sensor modificado, que ilustra el potencial del enfoque propuesto. Es un trabajo conjunto con Cecilia Aguerrebere, Andrés Almansa, Julie Delon y Yann Gousseau.
  • Enfoque Bayesiano basado en hyperpriors para denoising e interpolación de imágenes conjuntos, con una aplicación a generación de imágenes de alto rango dinámico.
  • 2017-06-23T10:00:00-03:00
  • 2017-06-23T11:30:00-03:00
  • Recientemente se han reportado resultados muy impresionantes basados en enfoques Bayesianos que asumen modelos Gaussianos para la distribución de patches (ventanas localizadas) en imágenes. Esta mejora en los resultados se puede atribuir a la asignación de un modelo gaussiano individual para cada patch. La limitante de estos enfoques es que no son generalizables de forma directa a otros problemas que el denoising, ya que los problemas inversos asociados se vuelven mal condicionados. En este trabajo proponemos utilizar hyperpriors/hyperparametros para modelizar los patches de las imágenes, con el fin de estabilizar la estimación. El enfoque propuesto presenta principalmente dos ventajas: en primer lugar es adaptable a cualquier operador de degradación diagonal, en particular a problemas con datos faltantes (e.g. inpainting o interpolación, o zooms). En segundo lugar, el enfoque permite contemplar modelos de ruido dependientes de la señal, lo cual es particularmente adaptado a las cámaras digitales en donde el ruido en cada pixel depende de su nivel de luminancia. Para ilustrar este segundo punto, presentamos una aplicación a la generación de imágenes de alto rango dinámico a partir de una única imagen adquirida con un sensor modificado, que ilustra el potencial del enfoque propuesto. Es un trabajo conjunto con Cecilia Aguerrebere, Andrés Almansa, Julie Delon y Yann Gousseau.
  • Cuándo 23/06/2017 de 10:00 a 11:30 (America/Montevideo / UTC-300)
  • Dónde Seminarios Centro de Matemática
  • Nombre
  • Agregar evento al calendario iCal