Motion-Compensated Frame Rate Up-Conversion—Part II: New Algorithms for Frame Interpolation
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Motion-compensated frame rate up-conversion (MC-FRUC) consists of two key elements: motion estimation and motion-compensated frame interpolation. The motion estimation algorithm presented in , which is used in the MC-FRUC method proposed in this paper, provides unidirectional motion trajectories. The advantage of this motion estimation algorithm, besides its accuracy, is that it provides information on occlusions. However, motion compensation along unidirectional motion trajectories yields overlaps, holes, and blocking artifacts. To solve these problems, this paper presents two new algorithms for unidirectional motion-compensated frame interpolation: irregular-grid expanded-block weighted motion compensation (IEWMC) and block-wise directional hole interpolation (BDHI). The IEWMC is used to reduce the blocking artifacts and solve the problem of overlapping blocks. The BDHI preserves local texture and edges while filling holes. Experimental results show that the IEWMC outperforms conventional motion compensation, and the BDHI is better than the repeated median filter that is often used to fill holes. The performance of the proposed MC-FRUC, that uses the two new algorithms and the unidirectional motion estimation algorithm, is evaluated against three existing MC-FRUC techniques: a typical bi-directional algorithm, an object-based algorithm, and a commercial plug-in product. Experimental results show that the quality of the pictures interpolated using the proposed MC-FRUC method is much higher than those interpolated using the three existing MC-FRUC techniques.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
score_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