Konforme und Niedrigrangige Sparse Darstellung zur Bildrestaurierung

Die Beschaffung eines geeigneten Wörterbuchs ist der entscheidende Punkt, wenn Sparse-Darstellung auf Probleme der Computer Vision oder der Bildverarbeitung, wie z.B. Bildrestaurierung, angewendet wird. Es wird erwartet, dass die Erhaltung der Datenstruktur während des Sparse-Codings und des Wörterbuchlernens die Wiederherstellungsleistung verbessern kann. Viele bestehende Methoden zum Lernen von Wörterbüchern behandeln jedoch Trainingsproben einzeln und vernachlässigen die Beziehungen zwischen den Proben, was zu Wörterbüchern mit redundanten Atomen, aber geringer Darstellungsfähigkeit führt. In diesem Papier schlagen wir einen neuartigen Ansatz zur Sparse-Darstellung vor, der als konforme und niedrrangige Sparse-Darstellung (CLRSR) für Probleme der Bildrestaurierung bezeichnet wird. Um ein kompaktes und repräsentatives Wörterbuch zu erreichen, wird die konforme Eigenschaft eingeführt, indem die Winkel der lokalen Geometrie, die von benachbarten Proben im Merkmalsraum gebildet wird, erhalten bleibt. Darüber hinaus kann das Auferlegen einer Niedrigrangbeschränkung auf die Koeffizientenmatrix zu treueren Teilräumen führen und die globale Struktur der Daten erfassen. Wir wenden unser CLRSR-Modell auf mehrere Aufgaben der Bildrestaurierung an, um die Effektivität zu demonstrieren.