論文の概要: Optimization of Structural Similarity in Mathematical Imaging

• arxiv url: http://arxiv.org/abs/2002.02657v1
• Date: Fri, 7 Feb 2020 07:46:31 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-03 05:11:18.463748
• Title: Optimization of Structural Similarity in Mathematical Imaging
• Title（参考訳）: 数理イメージングにおける構造類似性の最適化
• Authors: D. Otero, D. La Torre, O. Michailovich, E.R. Vrscay
• Abstract要約: 本稿では,SSIMを忠実度尺度として利用できる広範囲のイメージングアプリケーションを含む汎用フレームワークを提案する。 我々は,このフレームワークを用いて,最適化問題に標準や独自の画像処理タスクを組み込む方法を示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: It is now generally accepted that Euclidean-based metrics may not always adequately represent the subjective judgement of a human observer. As a result, many image processing methodologies have been recently extended to take advantage of alternative visual quality measures, the most prominent of which is the Structural Similarity Index Measure (SSIM). The superiority of the latter over Euclidean-based metrics have been demonstrated in several studies. However, being focused on specific applications, the findings of such studies often lack generality which, if otherwise acknowledged, could have provided a useful guidance for further development of SSIM-based image processing algorithms. Accordingly, instead of focusing on a particular image processing task, in this paper, we introduce a general framework that encompasses a wide range of imaging applications in which the SSIM can be employed as a fidelity measure. Subsequently, we show how the framework can be used to cast some standard as well as original imaging tasks into optimization problems, followed by a discussion of a number of novel numerical strategies for their solution.
• Abstract（参考訳）: ユークリッドに基づく指標は、人間の観察者の主観的判断を常に適切に表しているとは限らないと一般に受け入れられている。 その結果、多くの画像処理手法が代替の視覚品質尺度(ssim)を活用できるように拡張され、最も顕著なものは構造類似性指標(ssim)である。 ユークリッドに基づく測度よりも後者の方が優れていることがいくつかの研究で示されている。 しかし、特定の応用に焦点が当てられているため、そのような研究の知見は、ssimベースの画像処理アルゴリズムのさらなる開発に有用なガイダンスを提供するような一般性に欠けることが多い。 そこで本稿では,特定の画像処理タスクに焦点をあてるのではなく,SSIMを忠実度尺度として利用できる幅広い画像アプリケーションを含む一般的なフレームワークを提案する。 その後、最適化問題に標準と独自の画像処理タスクを組み込むのにフレームワークがどう使われるかを示し、その解のためのいくつかの新しい数値戦略について議論する。

関連論文リスト

• Two Approaches to Supervised Image Segmentation [55.616364225463066]
  本研究は、深層学習とマルチセットニューロンのアプローチの比較実験を開発する。 ディープラーニングアプローチは、画像セグメンテーションの実行の可能性を確認した。 代替のマルチセット手法では、計算資源をほとんど必要とせずに精度を向上することができた。
  論文  参考訳（メタデータ） (2023-07-19T16:42:52Z)
• Deep Image Deblurring: A Survey [165.32391279761006]
  低レベルのコンピュータビジョンにおいて、デブロアリングは古典的な問題であり、ぼやけた入力画像からシャープなイメージを復元することを目的としている。 近年のディープラーニングの進歩は、この問題の解決に大きな進歩をもたらした。
  論文  参考訳（メタデータ） (2022-01-26T01:31:30Z)
• How can we learn (more) from challenges? A statistical approach to driving future algorithm development [1.0690055408831725]
  本稿では,課題から学習し,腹腔鏡ビデオにおけるインスタンスセグメンテーションの具体的タスクをインスタンス化する統計フレームワークを提案する。 2,728枚の画像から51,542個のメタデータを抽出し,ロバスト・メディカル・インスツルメンツ・チャレンジ(ROBUST-MIS)の結果に適用した。 提案手法の開発は,従来の手法が失敗する傾向にあった画像の処理において,最先端の総合的性能と具体的な強みを有する深層学習モデルを得た。
  論文  参考訳（メタデータ） (2021-06-17T08:12:37Z)
• Common Limitations of Image Processing Metrics: A Picture Story [58.83274952067888]
  本論文は, 画像レベルの分類, セマンティックセグメンテーション, インスタンスセグメンテーション, オブジェクト検出タスクと表現できるバイオメディカル画像解析問題に焦点を当てる。 現在のバージョンは、世界中の60以上の機関からの画像分析の専門家からなる国際コンソーシアムが実施するメトリクスに関するDelphiプロセスに基づいている。
  論文  参考訳（メタデータ） (2021-04-12T17:03:42Z)
• A Survey of Orthogonal Moments for Image Representation: Theory, Implementation, and Evaluation [70.0671278823937]
  モーメントに基づく画像表現は、セマンティック記述のコア条件を満たすのに有効であると報告されている。 本稿では,画像表現における直交モーメントの包括的調査を行い,高速/精度計算,ロバスト性/不変性最適化,定義拡張の最近の進歩について述べる。 提案した理論分析,ソフトウェア実装,評価結果は,特に新しい技術開発や実世界の応用の促進において,コミュニティを支援することができる。
  論文  参考訳（メタデータ） (2021-03-27T03:41:08Z)
• Revisiting Contrastive Learning for Few-Shot Classification [74.78397993160583]
  インスタンス識別に基づくコントラスト学習は,視覚表現の自己教師あり学習の指導的アプローチとして現れてきた。 本稿では,インスタンス識別に基づくコントラスト型自己教師付き学習フレームワークにおいて,新しいタスクを一般化する表現を学習する方法を示す。 提案手法は,cidを用いて訓練された普遍的埋め込みと組み合わせて,挑戦的メタデータセットベンチマークにおいて最先端アルゴリズムよりも優れる新しいモデル選択アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-01-26T19:58:08Z)
• A Hitchhiker's Guide to Structural Similarity [40.567747702628076]
  構造的類似度(SSIM)指数は、非常に広く使用されている画像/ビデオ品質モデルです。 広く普及しているssimの実装の機能と性能を調査し,比較した。 私たちは最も効果的にSSIMを使用する方法に関する推奨事項のコレクションに到着しました。
  論文  参考訳（メタデータ） (2021-01-16T02:51:06Z)
• Deep Keypoint-Based Camera Pose Estimation with Geometric Constraints [80.60538408386016]
  連続するフレームから相対的なカメラのポーズを推定することは、視覚計測の基本的な問題である。 本稿では,検出,特徴抽出,マッチング,外乱除去のための学習可能なモジュールで構成されるエンドツーエンドのトレーニング可能なフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-07-29T21:41:31Z)
• Determining Image similarity with Quasi-Euclidean Metric [0.0]
  擬似ユークリッド計量を画像類似度尺度として評価し,SSIMやユークリッド計量といった既存の標準手法とどのように一致しているかを分析する。 いくつかのケースでは、我々の方法論は顕著な性能を予測しており、我々の実装が類似性を認識するための一歩であることを証明していることも興味深い。
  論文  参考訳（メタデータ） (2020-06-25T18:12:21Z)
• DeepFactors: Real-Time Probabilistic Dense Monocular SLAM [29.033778410908877]
  本稿では,リアルタイム性能を維持しつつ,確率的フレームワークでメソッドを統一するSLAMシステムを提案する。 これは、学習されたコンパクトな深度マップ表現を使用し、3種類のエラーを修正することによって達成される。 本研究では,実世界列の軌跡推定と深度再構成に関するシステム評価を行い,推定密度幾何の様々な例を示す。
  論文  参考訳（メタデータ） (2020-01-14T21:08:51Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。