MétaCan
Menu
Retour à la cohorte
Enregistrement W2044704728 · doi:10.1109/icip.2014.7025545

Motion blur resistant method for temporal video denoising

2014· article· en· W2044704728 sur OpenAlexaff
Meisam Rakhshanfar, Aishy Amer

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineComputer Science
ThématiqueImage and Signal Denoising Methods
Établissements canadiensConcordia University
Organismes subventionnairesnon disponible
Mots-clésComputer scienceMotion blurNoise reductionArtificial intelligenceComputer visionNoise (video)Motion estimationConvolution (computer science)Video denoisingQuarter-pixel motionFilter (signal processing)Noise measurementBlock (permutation group theory)Video processingMathematicsImage (mathematics)Video trackingArtificial neural network

Résumé

récupéré en direct d'OpenAlex

In this paper, we propose a fast temporal video filter which aims to minimize blur and blocking artifacts, and handle signal-dependent noise. In order to overcome motion blur problems in block-based temporal filters, an accurate motion detection has been developed using two levels of reliability. At the first level, we use temporal data blocks to coarsely estimate local motion error and noise. Then at a finer level, averaging weights are calculated utilizing fast convolution operations. Utilizing regional noise re-estimation and the noise level function (in the case that it is known), our method is designed to adapt to signal-dependent noise and noise overestimation. Motion vectors are estimated through a fast hybrid motion estimation method which combines two conventional methods, compounding the strengths of each for a more efficient estimation. The proposed method is easy to implement and results show it rivals state-of-the-art methods in both quality and speed.

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)0,003
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: Autre devis · Signal consensuel: aucune
GenreSignal candidat: Méthodes · Signal consensuel: Méthodes
Score de désaccord entre enseignants0,645
Score d'incertitude au seuil0,418

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0030,000
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 savante0,0000,000
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 GPT0,318
Écart entre enseignants0,289 · 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'étudeAutre devis
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

Citations6
Publié2014
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetImage and Signal Denoising MethodsTravaux en français237 207