从连续表示重访非局部自相似性
计算机视觉与模式识别
2024-01-02 v1 图像与视频处理
摘要
非局部自相似性 (NSS) 是一种重要的先验，已成功应用于多维数据处理任务，例如图像和视频恢复。然而，现有的基于 NSS 的方法仅适用于网格数据（如图像和视频），而不适用于新兴的非网格数据（如点云和气候数据）。在这项工作中，我们从连续表示的视角重访 NSS，并提出了一种新颖的基于连续表示的非局部方法（称为 CRNL），与经典非局部方法相比，它具有两个创新特征。首先，基于连续表示，我们的 CRNL 统一了网格数据和非网格数据的自相似性度量，因此自然地适用于两者。其次，非局部连续群可以通过耦合低秩函数分解更紧凑、更高效地表示，这同时利用了每个群内部以及不同群之间的相似性，而经典非局部方法忽略了群间的相似性。这种精心设计的耦合机制使我们的方法在有效性和效率方面均优于传统的 NSS 方法。在网格数据（如图像修复和图像去噪）和非网格数据（如气候数据预测和点云恢复）上的大量多维数据处理实验验证了我们的 CRNL 与 SOTA 方法相比的多功能性、有效性和高效性。
引用
@article{arxiv.2401.00708,
title = {Revisiting Nonlocal Self-Similarity from Continuous Representation},
author = {Yisi Luo and Xile Zhao and Deyu Meng},
journal= {arXiv preprint arXiv:2401.00708},
year = {2024}
}