Image Restoration under Cauchy Noise: A Group Sparse Representation and Multidirectional Total Generalized Variation Approach
Notice bibliographique
Résumé
Owing to the ill-posed problem of image restoration, how to find an effective method to obtain image prior information is still challenging.The total generalized variational model has been successfully applied to image denoising and/or deblurring.However, the highorder gradient of the image is described by using L1 norm in the traditional total generalized variational denoising and deblurring model, which can not effectively describe the local group sparse priors of the image gradient.As a result, the traditional total generalized variational model has some limitations in the ability to suppress the staircase artifacts.In order to solve this problem, one new model is proposed to restore images corrupted by Cauchy noise and/or blur in our paper, where the non-convex data fidelity term is combined with two regularization terms: group sparse representation prior and multi-directional total generalized variation.We use group sparse representation prior information to obtain the nonlocal self-similarity information of similar image block for preserving the details and texture features of the discontinuous or uneven region of the image.At the same time, the noise is fully removed in the uniform region, which improves the image visual quality.Moreover, the gradient information in multiple directions is calculated by the multidirectional total generalized variation regularization term, which can better preserve the edge information of the image.The model is divided into several sub-problems by split Bregman iteration, and each sub-problem is solved efficiently.The experimental results show that this model is superior to other existing models both in terms of visual quality and some image quality evaluation.
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 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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».