基于自然图像稀疏贝叶斯建模的图像超分辨率
计算机视觉与模式识别
2012-09-20 v1
摘要
图像超分辨率 (SR) 是图像处理领域长期存在且活跃的主题之一。大量关于图像超分辨率的工作利用贝叶斯建模技术 formulate 该问题，然后获得其最大后验 (MAP) 解，这实际上归结为针对可分离正则化项的正则化回归任务。尽管这种方法直观明了，但它无法充分利用概率建模所提供的潜力，因为仅寻求后验模式。此外，正则化项的可分离性无法捕捉稀疏系数之间的任何相关性，从而牺牲了其建模精度。我们提出了一种通过自然图像稀疏建模的贝叶斯图像 SR 算法。通过在高阶马尔可夫随机场 (MRF) 中引入潜在变量来利用潜在高分辨率图像的稀疏特性，这些变量通过像素级自适应捕捉内容自适应方差。高分辨率图像通过经验贝叶斯估计方案进行估计，该方案实质上快于我们之前基于马尔可夫链蒙特卡洛 (Markov Chain Monte Carlo) 采样的方法 [1]。研究表明，所提出方法的实际代价函数实际上在稀疏系数上包含了一个非因子分解的正则化项。实验结果表明，所提出的方法能够生成与 state-of-the-art SR 算法相比具有竞争力或更好的结果。
引用
@article{arxiv.1209.4317,
title = {Image Super-Resolution via Sparse Bayesian Modeling of Natural Images},
author = {Haichao Zhang and David Wipf and Yanning Zhang},
journal= {arXiv preprint arXiv:1209.4317},
year = {2012}
}
备注
8 figures, 29 pages