STAR: A Structure and Texture Aware Retinex Model论文理解
STAR:A Structure and Texture Aware Retinex Model论文理解，2020，TIP
引言：在Retinex理论中，较大的导数是由于反射率的变化，而较小的导数出现在平滑的照度图中。论文中利用指数局部导数来生成结构图和纹理图，即当伽马放大时产生结构图，当伽马收缩时产生纹理图。因此，论文设计了局部导数的指数滤波器，并提出了一种新的结构和纹理感知Retinex STAR模型。
1、提出了两种滤波器：TV滤波器（计算输入图像的绝对梯度）和MLV滤波器（计算输入图像梯度的平均局部方差），二者已经可以反映出图像的结构；
2、为了灵活的估计结构和纹理，引入了局部导数的指数形式，即在TV和MLV中添加指数项即ETV和EMLV，以使得这两个滤波器更灵活的分离结构和纹理提取。当伽马设置为0.5时，ETV和EMLV可以粗略的提取图像的纹理，当伽马取{1,1.5,2}时，二者可以分离图像的结构；
3、基于上述观察，引入了一种结构和纹理感知的光照和反射分解加权方案；
4、提出STAR模型，并使用交替最小化的方式解决该模型，即每个子问题都转换为带有闭合解的矢量化最小二乘法回归。
STAR: A Structure and Texture Aware Retinex Model论文理解相关推荐
- View Invariant Gait Recognition Using Only One Uniform Model论文翻译以及理解
View Invariant Gait Recognition Using Only One Uniform Model论文翻译以及理解 一行英文,一行翻译 论文中所述的优点:The unique a ...
- 论文理解之增加换脸效果 FaceShifter: Towards High Fidelity And Occlusion Aware Face Swapping
论文:FaceShifter: Towards High Fidelity And Occlusion Aware Face Swapping 论文地址:https://arxiv.org/pdf/1 ...
- ECCV / TNNLS 20 - 如何在异常检测中利用“结构structure - 纹理texture”一致性【P-Net，MemSTC-Net】
文章目录 前言 P-Net MEMSTC-Net 总结 前言 不管是医学图像还是工业图像领域,异常检测都是非常重要的一个研究方向(在训练时只有正常样本,测试时需要模型判断输入样本是否存在异常).存在一 ...
- 论文笔记：Integrating Semantic Segmentation and Retinex Model for Low Light Image Enhancement
来源:Proceedings of the 28th ACM International Conference on Multimedia (2020) 目录 Contributions Mothol ...
- Low-Light Image Enhancement via Self-Reinforced Retinex Projection Model 论文阅读笔记
这是马龙博士2022年在TMM期刊发表的基于改进的retinex方法去做暗图增强(非深度学习)的一篇论文 文章用一张图展示了其动机,第一行是估计的亮度层,第二列是通常的retinex方法会对估计的亮度 ...
- 论文阅读Unsupervised Corpus Aware Language Model Pre-training for Dense Passage Retrieval
密集文本检索的无监督语料库感知语言模型预训练 ACL2022 论文链接 摘要 最近的研究证明了使用微调语言模型(LM)进行密集检索的有效性.然而,密集检索器很难训练,通常需要经过精心设计的微调管道才能 ...
- 图像质量评价：感知建模——Image Quality Assessment: Unifying Structure and Texture Similarit
实验设计思路 资料链接 笔记 实验设计 资料链接 B站视频:20200527 图像质量评价:感知建模VS机器学习 文章链接:网页版阅读 github实现评价指标的代码:评价指标脚本:结构+轮廓提取 笔 ...
- Every Document Owns Its Structure: Inductive Text Classification via Graph Neural Networks论文理解
[标题] <Every Document Owns Its Structure: Inductive Text Classification via Graph Neural Networks& ...
- A Neural Probabilistic Language Model 论文阅读及实战
1.词向量介绍 在NLP任务中,第一步首先将自然语言转化成数学符号表示.一般常用的词汇表示方法:one-hot表示,这种方法是将每个单词表示为一个很长的向量,这个向量的长度是词汇表的大小,其中绝大数元 ...
最新文章
- Hbase集群搭建二（Hadoop搭建）
- Spring Boot 2.4发布了，但 Spring Cloud 用户不推荐着急升级
- 多线程还是多进程的区别
- python是中国的吗-操作系统3:编程语言和操作系统是什么关系?
- 破解win2003“终端服务器授权”激活许可证!
- MySQL 特殊参数
- 【bzoj3289】 Mato的文件管理
- JavaScript（十三）面向对象
- Chrome开发者工具一个有用的快捷键组合：Ctrl+Shift+E
- win10创建c语言文件,c – 如何在Windows中创建扩展(自定义)文件属性？
- 抢购 mysql 优化_处理抢购、秒杀应用场景降低“超卖”发生几个优化方案（php）...
- mysql 跳过一个事物_MYSQL GTID跳过指定事务
- Php wordpress安全性,使用 .htaccess 提高 WordPress 的安全性和可用性
- wordpresd免登录发布接口php_实现wordpress的ajax接口请求学会admin-ajax.php的利用
- 微信文件夹下不可言说的秘密自动生成小视频文件
- 千峰前端html个人笔记
- 【软件工程】课程设计库存管理系统
- QGIS免费获取并加载行政区边界
- matlab 帕多瓦数列 通项公式_matlab通分.ppt
- MongoDB分片机制