Bibliographic record
Abstract
Le VHS est encore le format de bande magnétique le plus populaire dans le domaine de l'enregistrement de vidéo pour les consommateurs. En raison de la limitation de la résolution horizontale, une version améliorée du format VHS a été introduite: le format S-VHS. Bien que le nouveau format permette de reproduire l'image avec une bonne qualité, il y a encore des défauts: (1) L'image semble brouillée, et les détails manquent de netteté. (2) Les couleurs sont dégradées et manquent d'éclat. Ce travail propose deux méthodes de restauration de défauts de S-VHS. La première combine les techniques de débrouillage avec les techniques de rehaussement. Dans cette méthode, la luminance et la chrominance sont traitées séparément. La deuxième approche proposée utilise une structure de réseaux de neurones en cascade et permet d'utiliser l'information dans la luminance traitée afin de mieux restaurer la chrominance. Les résultats d'expériences ont montré que les deux méthodes proposées sont capables de donner des images plus nettes et plus éclatantes. En plus, grâce à la simplicité et la non-itération, il est possible de les faire fonctionner en temps-reél.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.000 |
| Science and technology studies | 0.000 | 0.001 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.008 | 0.002 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".