MétaCan
Menu
Retour à la cohorte
Enregistrement W1551608022 · doi:10.1109/isimp.2004.1434127

Wavelet domain image restoration using adaptively regularized constrained total least squares

2005· article· en· W1551608022 sur OpenAlexaff
Xiaojun Zhung, Wei‐Ping Zhu

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineComputer Science
ThématiqueImage and Signal Denoising Methods
Établissements canadiensConcordia University
Organismes subventionnairesnon disponible
Mots-clésWaveletImage restorationWavelet transformImage (mathematics)Least-squares function approximationArtificial intelligenceTotal least squaresSignal-to-noise ratio (imaging)MathematicsPattern recognition (psychology)Computer scienceAlgorithmNoise (video)Computer visionImage processingStatistics

Résumé

récupéré en direct d'OpenAlex

It is know that the adaptively regularized constrained total least squares (ARCTLS) outperforms the constrained total least squares (CTLS) or the regularized CTLS in image restoration. In this paper, a wavelet domain image restoration approach, using ARCTLS is presented. The degraded image is first decomposed into subband images by using a wavelet transform. The ARCTLS algorithm is then applied to each of the subband images. The proposed restoration method is simulated and compared with the conventional RCTLS and ARCTLS techniques. It is shown that the proposed method yields a better improved signal-to-noise ratio (SNR).

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Méthodes · Signal consensuel: Méthodes
Score de désaccord entre enseignants0,852
Score d'incertitude au seuil0,621

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,028
Tête enseignante GPT0,282
Écart entre enseignants0,255 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreMéthodes

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2005
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetImage and Signal Denoising MethodsTravaux en français237 207