Patch-based image Super Resolution using generalized Gaussian mixture model
Résumé
Single Image Super Resolution (SISR) methods aim to recover the clean images in high resolution from low resolution observations.
A family of patch-based approaches have received considerable attention and development. The minimum mean square error (MMSE) method
is a powerful image restoration method that uses a probability model on the patches of images. This paper proposes an algorithm to learn a joint
generalized Gaussian mixture model (GGMM) from a pair of the low resolution patches and the corresponding high resolution patches from
the reference data. We then reconstruct the high resolution image based on the MMSE method. Our numerical evaluations indicate that the
MMSE-GGMM method competes with other state of the art methods.
-Les méthodes de super résolution d'image visent à recréer une image haute résolution à partir d'une basse résolution. La famille d'approches basée sur les patchs a fait l'objet d'une attention et d'un développement considérable. La technique de minimum de l'erreur quadratique moyenne est une méthode de restauration d'images qui utilise un modèle gaussien de probabilités sur les patchs d'images. Cet article propose un algorithme d'apprentissage d'un modèle conjoint de mélange gaussien généralisé (GGMM) à partir des paires de patchs à basse résolution et des patchs correspondants à haute résolution d'une image de référence. À partir de ce modèle GGMM, l'image haute résolution en utilisant la méthode MMSE. Nos évaluations numériques indiquent que la méthode MMSE-GGMM se comporte très bien par rapport à l'état de l'art.
| Origine | Fichiers produits par l'(les) auteur(s) |
|---|