本文提出了一种基于对数的数学模型,构建了基于对数的欧几里得空间用于颜色图像处理,通过此模型进行颜色增强并给出了实验结果。
Dec, 2014
本文基于点变换提出了一种新的灰度图像增强方法,通过对 homographic 函数的推广来定义变换函数。
对于灰度级函数,传统数学形态学在图像分析中使用的结构性函数与图像相加时无法验证灯光强度变化的特性,因此引入了新的可根据图像幅度调整结构性函数幅度的加法规律,称为对数数学形态学,并提出新的与灯光变化鲁棒性较好的操作符。实验证明,对数数学形态学在一致光照变化的图像中的表现优于传统形态学操作符,并且在非一致光照变化的眼底图像血管分割中也具有比其他三种方法更好的鲁棒性。
Sep, 2023
本文提出了一种新的代数模型,用于处理在不恰当光照条件下生成的灰度图像,并使用向量空间结构来改善图像的对比度和亮度水平从而进行图像增强,通过实验结果证明了其有效性。
本文考察了一系列线性变换及其对于过参数化线性回归问题中的岭回归估计量的影响,证实了保留数据标签的变换能够通过扩大训练数据空间来提高估计精度,而混合数据的变换则能够达到一种正则化效果。在此基础上,提出一种根据模型不确定性搜索变换空间的数据增强方案,并在图像和文本数据集上测试,证实了其表现优于已有的 RandAugment 方法及能够达到现有 SoTA 方法的精度。
May, 2020
该研究利用对数图像处理框架中的两种新型均匀性标准,设计了一种稳健的图像分割方法,实验结果表明该方法在光照变化下更具有稳健性。
Apr, 2019
描述一种图像压缩方法,其由非线性分析变换、均匀量化器和非线性合成变换构成,并使用卷积线性滤波器和非线性激活函数的三个连续阶段构建变换,其中联合非线性性选择实现形式的局部增益控制,利用随机梯度下降的变体优化整个模型以实现训练图像数据库的速率失真性能,以及一个连续的代理来引入量化器产生的不连续损失函数,具有比标准 JPEG 和 JPEG2000 压缩方法更好的速率失真性能,并且在所有位率下对所有图像的视觉质量均有显著提高。
Nov, 2016
该研究介绍了一种通过线性变换的指数函数构建线性流的新方法,并提出了可计算指数的隐式方法,进而提出了具有等变性的卷积指数变换、图卷积指数变换和基于卷积指数的 Sylvester 流等新的可逆变换,经实验证明,在生成流方面,卷积指数变换的性能优于其他线性变换,图卷积指数变换也提高了图归一化流的性能。此外,卷积 Sylvester 流还表现出优于残差流的生成流模型的性能。
Jun, 2020
为了增强图像而不受其反射率的强约束,我们提出了一种新的可训练模块,它将低照度图像和光照图映射成增强图像,并结合无监督学习适应不同任务。
Apr, 2023
本研究提出了一系列可解释的机器学习模型,包括使用 Linearised Additive Models 和 SubscaleHedge 算法的 GAMs,并通过对广泛的金融建模数据进行严格的假设检验,表明这些算法在 ROC-AUC 和校准方面没有明显的性能下降。
Nov, 2022