Example-Based Super Resolution

 
 
Academic Press
  • 1. Auflage
  • |
  • erschienen am 22. September 2016
  • |
  • 162 Seiten
 
E-Book | ePUB mit Adobe DRM | Systemvoraussetzungen
E-Book | PDF mit Adobe DRM | Systemvoraussetzungen
978-0-08-101135-5 (ISBN)
 

Example-Based Super Resolution provides a thorough introduction and overview of example-based super resolution, covering the most successful algorithmic approaches and theories behind them with implementation insights. It also describes current challenges and explores future trends.

Readers of this book will be able to understand the latest natural image patch statistical models and the performance limits of example-based super resolution algorithms, select the best state-of-the-art algorithmic alternative and tune it for specific use cases, and quickly put into practice implementations of the latest and most successful example-based super-resolution methods.


  • Provides detailed coverage of techniques and implementation details that have been successfully introduced in diverse and demanding real-world applications
  • Covers a wide variety of machine learning approaches, ranging from cross-scale self-similarity concepts and sparse coding, to the latest advances in deep learning
  • Presents a statistical interpretation of the subspace of natural image patches that transcends super resolution and makes it a valuable source for any researcher on image processing or low-level vision


Jordi Salvador holds a senior scientist position at Technicolor R&I in Hannover and is member of Technicolor's Fellowship Network. His main focus is the research of new algorithms for example-based super resolution and machine learning. Formerly, he received a M.Sc. in Telecommunications (equivalent to Electrical) Engineering in 2006 and a M.Sc. in the European MERIT program in 2008, both from the Universitat Polit`ecnica de Catalunya (UPC) in Barcelona. He obtained the Ph.D. degree in 2011, also from UPC, where he contributed to projects of the Spanish Science and Technology System (VISION,
PROVEC) and also to a European FP6 project (CHIL) as research assistant on multiview reconstruction. His research interests include 3D reconstruction, real-time and parallel algorithms, new computer-human interfaces, image and video restoration, super resolution, inverse problems and machine learning.
  • Englisch
  • San Diego
Elsevier Science
  • 10,86 MB
978-0-08-101135-5 (9780081011355)
0081011350 (0081011350)
weitere Ausgaben werden ermittelt
  • Front Cover
  • Example-Based Super Resolution
  • Copyright
  • Dedication
  • Contents
  • List of Figures
  • Acknowledgment
  • Introduction
  • The Super-Resolution Problem
  • Super-Resolution Approaches
  • Interpolation
  • Multiframe Super Resolution
  • Example-Based Super Resolution
  • Outline
  • About the Book
  • Chapter 1: Classic Multiframe Super Resolution
  • 1.1 Problem Statement
  • 1.1.1 A Frequency-Domain Pipeline
  • 1.2 Bayesian Inference
  • 1.2.1 Maximum Likelihood
  • 1.2.2 Maximum A Posteriori
  • 1.3 Interpolation-Based Methods
  • 1.3.1 Registration
  • 1.3.2 Warping Projection
  • Forward Warping
  • Backward Warping
  • 1.3.3 Restoration
  • Inpainting
  • Deblurring
  • Denoising
  • Iterative Reconstruction
  • 1.4 Performance Limits
  • 1.5 Discussion
  • Chapter 2: A Taxonomy of Example-Based Super Resolution
  • 2.1 Example-Based Super Resolution
  • 2.1.1 Parametric Methods
  • 2.1.2 Nonparametric Methods
  • 2.2 Internal Learning
  • 2.2.1 High-Frequency Transfer
  • 2.2.2 Neighbor Embedding
  • 2.3 External Learning
  • 2.3.1 Sparse Coding
  • 2.3.2 Anchored Regression
  • 2.3.3 Regression Trees
  • 2.3.4 Deep Learning
  • 2.4 Discussion
  • Chapter 3: High-Frequency Transfer
  • 3.1 Adaptive Filter Selection
  • 3.1.1 Parametric Filter Design
  • Implementation Notes
  • 3.1.2 Performance
  • 3.2 Robustness to Aliasing
  • 3.2.1 Local Regularization
  • High-Contrast Edge Detection, Dilation and Scaling
  • Local Denoising
  • Locally Regularized HF Synthesis
  • 3.2.2 Performance
  • 3.3 Robustness to Noise
  • 3.3.1 In-Place Cross-Scale Self-Similarity
  • In-place Structure Similarity
  • Noisy In-place Self-Similarity
  • 3.3.2 Iterative Noise-Aware Super Resolution
  • Interpolation
  • Analysis
  • Learning
  • Reconstruction
  • Implementation Details
  • 3.3.3 Performance
  • Processing Time
  • 3.4 Discussion
  • Chapter 4: Neighbor Embedding
  • 4.1 Framework
  • 4.1.1 Problem Statement
  • 4.1.2 Internal vs. External Learning
  • Internal Learning
  • External Learning
  • 4.2 Extensions
  • 4.2.1 Multiphase Neighbor Embeddings
  • Pipeline
  • Complexity
  • 4.2.2 Nonnegative Least Squares
  • Features
  • Method
  • 4.3 Performance
  • 4.3.1 Configuration
  • Internal vs. External Learning
  • 4.3.2 Benchmark
  • 4.4 Discussion
  • Chapter 5: Sparse Coding
  • 5.1 Super Resolution Model
  • 5.1.1 Sparse Reconstruction
  • 5.1.2 Dictionary Training
  • Joint Training
  • Single-Scale Training
  • 5.2 Adaptive Extension
  • 5.2.1 Training Region Selection
  • 5.2.2 Region Rejection
  • 5.3 Application
  • 5.3.1 Feature Space
  • 5.3.2 Performance
  • Training and Testing Sets
  • Comparison With Other Methods
  • 5.4 Discussion
  • Chapter 6: Anchored Regression
  • 6.1 Anchored Regression Framework
  • 6.1.1 Problem Statement
  • 6.1.2 Anchored Neighbors
  • 6.1.3 Inference by Linear Regression
  • Features
  • 6.2 Extensions
  • 6.2.1 Improved Accuracy
  • 6.2.2 Improved Runtime
  • 6.3 Performance
  • 6.3.1 Implementation Details
  • Coarse Approximation
  • Feature Vectors
  • Supervised Learning
  • Hashing
  • 6.3.2 Benchmarking
  • Quality
  • Computational Cost
  • 6.4 Discussion
  • Chapter 7: Trees and Forests
  • 7.1 Hierarchical Manifold Learning
  • Contrast Normalization
  • Unimodal Trees
  • 7.1.1 Antipodal Symmetry
  • 7.1.2 Bimodal Regression Tree Training
  • Unsupervised Learning
  • Supervised Learning
  • 7.2 Naive Bayes Super-Resolution Forest
  • 7.2.1 Data Distribution
  • 7.2.2 Local Naive Bayes Selection
  • 7.3 Performance
  • 7.3.1 Implementation
  • Parameters
  • Benchmark
  • 7.3.2 Analysis and Scalability
  • 7.4 Discussion
  • Chapter 8: Deep Learning
  • 8.1 Neural networks
  • Learning to Learn
  • 8.1.1 Convolutional networks
  • Improving Learning
  • Architecture Trade-offs
  • 8.1.2 Applications
  • 8.2 Networks for super resolution
  • 8.2.1 Conventional convolutional network
  • Specification
  • Sparse Coding Approximation
  • Improved Mapping
  • 8.2.2 Sparse coding network
  • ISTA
  • LISTA
  • 8.3 Performance
  • 8.3.1 Implementation
  • Training Cost
  • Iterative Application
  • 8.3.2 Benchmark
  • 8.4 Discussion
  • Chapter 9: Conclusions
  • 9.1 Overview
  • 9.1.1 Internal Learning Methods
  • High-Frequency Transfer
  • Neighbor Embedding
  • 9.1.2 External Learning Methods
  • Sparse Coding
  • Anchored Regression
  • Random Forests
  • Deep Learning
  • 9.2 Perspective
  • References
  • Back Cover

Dateiformat: EPUB
Kopierschutz: Adobe-DRM (Digital Rights Management)

Systemvoraussetzungen:

Computer (Windows; MacOS X; Linux): Installieren Sie bereits vor dem Download die kostenlose Software Adobe Digital Editions (siehe E-Book Hilfe).

Tablet/Smartphone (Android; iOS): Installieren Sie bereits vor dem Download die kostenlose App Adobe Digital Editions (siehe E-Book Hilfe).

E-Book-Reader: Bookeen, Kobo, Pocketbook, Sony, Tolino u.v.a.m. (nicht Kindle)

Das Dateiformat EPUB ist sehr gut für Romane und Sachbücher geeignet - also für "fließenden" Text ohne komplexes Layout. Bei E-Readern oder Smartphones passt sich der Zeilen- und Seitenumbruch automatisch den kleinen Displays an. Mit Adobe-DRM wird hier ein "harter" Kopierschutz verwendet. Wenn die notwendigen Voraussetzungen nicht vorliegen, können Sie das E-Book leider nicht öffnen. Daher müssen Sie bereits vor dem Download Ihre Lese-Hardware vorbereiten.

Weitere Informationen finden Sie in unserer E-Book Hilfe.


Dateiformat: PDF
Kopierschutz: Adobe-DRM (Digital Rights Management)

Systemvoraussetzungen:

Computer (Windows; MacOS X; Linux): Installieren Sie bereits vor dem Download die kostenlose Software Adobe Digital Editions (siehe E-Book Hilfe).

Tablet/Smartphone (Android; iOS): Installieren Sie bereits vor dem Download die kostenlose App Adobe Digital Editions (siehe E-Book Hilfe).

E-Book-Reader: Bookeen, Kobo, Pocketbook, Sony, Tolino u.v.a.m. (nicht Kindle)

Das Dateiformat PDF zeigt auf jeder Hardware eine Buchseite stets identisch an. Daher ist eine PDF auch für ein komplexes Layout geeignet, wie es bei Lehr- und Fachbüchern verwendet wird (Bilder, Tabellen, Spalten, Fußnoten). Bei kleinen Displays von E-Readern oder Smartphones sind PDF leider eher nervig, weil zu viel Scrollen notwendig ist. Mit Adobe-DRM wird hier ein "harter" Kopierschutz verwendet. Wenn die notwendigen Voraussetzungen nicht vorliegen, können Sie das E-Book leider nicht öffnen. Daher müssen Sie bereits vor dem Download Ihre Lese-Hardware vorbereiten.

Weitere Informationen finden Sie in unserer E-Book Hilfe.


Download (sofort verfügbar)

68,96 €
inkl. 19% MwSt.
Download / Einzel-Lizenz
ePUB mit Adobe DRM
siehe Systemvoraussetzungen
PDF mit Adobe DRM
siehe Systemvoraussetzungen
Hinweis: Die Auswahl des von Ihnen gewünschten Dateiformats und des Kopierschutzes erfolgt erst im System des E-Book Anbieters
E-Book bestellen

Unsere Web-Seiten verwenden Cookies. Mit der Nutzung des WebShops erklären Sie sich damit einverstanden. Mehr Informationen finden Sie in unserem Datenschutzhinweis. Ok