論文の概要: Performance analysis of weighted low rank model with sparse image
histograms for face recognition under lowlevel illumination and occlusion
- arxiv url: http://arxiv.org/abs/2007.12362v1
- Date: Fri, 24 Jul 2020 05:59:28 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-07 06:49:48.896195
- Title: Performance analysis of weighted low rank model with sparse image
histograms for face recognition under lowlevel illumination and occlusion
- Title（参考訳）: 低レベル照明下での顔認識のためのスパース画像ヒストグラムを用いた重み付き低位モデルの性能解析
- Authors: K.V. Sridhar and Raghu vamshi Hemadri
- Abstract要約: 低ランク近似行列(LRMA)モデルの目的は、下層の低ランク行列を劣化した観測から復元することである。
本稿では,LRMARPC-とWSNMの低ランク近似の比較を行った。
また,これらのアルゴリズムの適用による実験結果の傾向についても論じる。
- 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: In a broad range of computer vision applications, the purpose of Low-rank
matrix approximation (LRMA) models is to recover the underlying low-rank matrix
from its degraded observation. The latest LRMA methods - Robust Principal
Component Analysis (RPCA) resort to using the nuclear norm minimization (NNM)
as a convex relaxation of the non-convex rank minimization. However, NNM tends
to over-shrink the rank components and treats the different rank components
equally, limiting its flexibility in practical applications. We use a more
flexible model, namely the Weighted Schatten p-Norm Minimization (WSNM), to
generalize the NNM to the Schatten p-norm minimization with weights assigned to
different singular values. The proposed WSNM not only gives a better
approximation to the original low-rank assumption but also considers the
importance of different rank components. In this paper, a comparison of the
low-rank recovery performance of two LRMA algorithms- RPCA and WSNM is brought
out on occluded human facial images. The analysis is performed on facial images
from the Yale database and over own database , where different facial
expressions, spectacles, varying illumination account for the facial
occlusions. The paper also discusses the prominent trends observed from the
experimental results performed through the application of these algorithms. As
low-rank images sometimes might fail to capture the details of a face
adequately, we further propose a novel method to use the image-histogram of the
sparse images thus obtained to identify the individual in any given image.
Extensive experimental results show, both qualitatively and quantitatively,
that WSNM surpasses RPCA in its performance more effectively by removing facial
occlusions, thus giving recovered low-rank images of higher PSNR and SSIM.
- Abstract（参考訳）: 幅広いコンピュータビジョン応用において、低ランク行列近似(LRMA)モデルの目的は、その劣化した観測から下位の低ランク行列を復元することである。
最新のLRMA法 - ロバスト主成分分析(RPCA)は、非凸ランク最小化の凸緩和として核ノルム最小化(NNM)を用いる。
しかし、NNMはランクコンポーネントをオーバーシンクし、異なるランクコンポーネントを等しく扱い、実用アプリケーションにおける柔軟性を制限する傾向にある。
より柔軟なモデル、すなわち重み付きシャッテン p-ノルム最小化(wsnm)を用いて、nnmを異なる特異値に割り当てられた重み付きシャッテン p-ノルム最小化に一般化する。
提案されたwsnmは、元の低ランク仮定よりもよい近似を与えるだけでなく、異なるランク成分の重要性も考慮している。
本稿では,2つのLRMAアルゴリズム(RPCAとWSNM)の低ランク回復性能の比較を行った。
この分析は、イェールデータベースと自身のデータベースの顔画像上で行われ、顔の表情、眼鏡、様々な照明が顔の閉塞の原因となる。
また,これらのアルゴリズムの適用による実験結果から得られた顕著な傾向についても論じる。
低位画像では顔の細部を適切に把握できない場合があるため、任意の画像内の人物を識別するために得られたスパース画像の画像ヒストグラムを用いる新しい方法を提案する。
広汎な実験結果から,WSNMは顔面閉塞を除去することにより, RPCAよりも効率良く, 高いPSNRとSSIMの低ランク画像が得られることがわかった。
関連論文リスト
- Posterior-Mean Rectified Flow: Towards Minimum MSE Photo-Realistic Image Restoration [34.50287066865267]
Posterior-Mean Rectified Flow (PMRF) は、この最適推定器を近似する単純かつ高効率なアルゴリズムである。
PMRFの理論的有用性について検討し,様々な画像復元作業において従来手法よりも一貫して優れていることを示す。
論文 参考訳（メタデータ） (2024-10-01T05:54:07Z) - HIR-Diff: Unsupervised Hyperspectral Image Restoration Via Improved
Diffusion Models [38.74983301496911]
ハイパースペクトル画像(HSI)の復元は、劣化した観察からクリーンなイメージを復元することを目的としている。
既存のモデルに基づく手法は、複雑な画像の特徴を正確にモデル化するのに限界がある。
本稿では,事前学習拡散モデル(HIR-Diff)を用いた教師なしHSI復元フレームワークを提案する。
論文 参考訳（メタデータ） (2024-02-24T17:15:05Z) - MetaF2N: Blind Image Super-Resolution by Learning Efficient Model
Adaptation from Faces [51.42949911178461]
メタ学習フレームワークにおいて,自然画像全体に対応するためのモデルパラメータを微調整するメタF2Nという手法を提案する。
復元された顔と接地構造とのギャップを考慮すると,低信頼領域の影響を低減するために,異なる位置における損失重みを適応的に予測するMaskNetを配置する。
論文 参考訳（メタデータ） (2023-09-15T02:45:21Z) - One Sample Diffusion Model in Projection Domain for Low-Dose CT Imaging [10.797632196651731]
低線量CTは臨床応用における放射線リスクの低減に重要な役割を担っている。
ディープラーニングの急速な開発と幅広い応用により、低線量CTイメージングアルゴリズムの開発に向けた新たな方向性がもたらされた。
低用量CT再構成のための投影領域における完全に教師なし1サンプル拡散モデル(OSDM)を提案する。
以上の結果から,OSDMはアーティファクトを低減し,画像品質を維持するための実用的で効果的なモデルであることが証明された。
論文 参考訳（メタデータ） (2022-12-07T13:39:23Z) - Unsupervised PET Reconstruction from a Bayesian Perspective [12.512270202705404]
DeepREDはDIPと正規化を組み合わせた典型的な表現である(RED)
本稿では,ベイズ的な視点からDeepREDを活用して,教師付き情報や補助情報のない単一劣化したシングラムからPET画像の再構成を行う。
論文 参考訳（メタデータ） (2021-10-29T06:32:21Z) - Hierarchical Conditional Flow: A Unified Framework for Image
Super-Resolution and Image Rescaling [139.25215100378284]
画像SRと画像再スケーリングのための統合フレームワークとして階層的条件フロー(HCFlow)を提案する。
HCFlowは、LR画像と残りの高周波成分の分布を同時にモデル化することにより、HRとLR画像ペア間のマッピングを学習する。
さらに性能を高めるために、知覚的損失やGAN損失などの他の損失と、トレーニングで一般的に使用される負の対数類似損失とを組み合わせる。
論文 参考訳（メタデータ） (2021-08-11T16:11:01Z) - Towards Top-Down Just Noticeable Difference Estimation of Natural Images [65.14746063298415]
JNDの推定は、主に空間領域と周波数領域における異なる要因の可視性マスキング効果をモデル化することに焦点を当てている。
この作業では、トップダウンの設計哲学でこれらの問題に対処する、劇的に異なる方法に目を向けます。
提案したJNDモデルは,最新のJNDモデルよりも優れた性能を実現することができる。
論文 参考訳（メタデータ） (2021-08-11T06:51:50Z) - Deep Variational Network Toward Blind Image Restoration [60.45350399661175]
ブラインド画像復元はコンピュータビジョンでは一般的だが難しい問題である。
両利点を両立させることを目的として,新しいブラインド画像復元手法を提案する。
画像デノイングと超解像という2つの典型的なブラインド赤外線タスクの実験により,提案手法が現状よりも優れた性能を達成できることが実証された。
論文 参考訳（メタデータ） (2020-08-25T03:30:53Z) - Perceptually Optimizing Deep Image Compression [53.705543593594285]
平均二乗誤差(MSE)と$ell_p$ノルムは、ニューラルネットワークの損失の測定で大きく支配されている。
本稿では,定量的知覚モデルに対して,画像解析ネットワークを最適化するための異なるプロキシ手法を提案する。
論文 参考訳（メタデータ） (2020-07-03T14:33:28Z) - The Power of Triply Complementary Priors for Image Compressive Sensing [89.14144796591685]
本稿では,一対の相補的な旅先を含むLRD画像モデルを提案する。
次に、画像CSのためのRDモデルに基づく新しいハイブリッド・プラグイン・アンド・プレイ・フレームワークを提案する。
そこで,提案したH-based image CS問題の解法として,単純で効果的なアルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-05-16T08:17:44Z)
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。