Example-Based Super Resolution

Super Resolution مبتنی بر مثال یک معرفی کامل و مرور کلی از وضوح فوق العاده مبتنی بر مثال ارائه می دهد و موفق ترین رویکردها و تئوری های الگوریتمی پشت آنها را با بینش پیاده سازی پوشش می دهد. همچنین چالش‌های فعلی را توصیف می‌کند و روندهای آینده را بررسی می‌کند.

خوانندگان این کتاب قادر خواهند بود آخرین مدل‌های آماری وصله تصویر طبیعی و محدودیت‌های عملکرد الگوریتم‌های وضوح فوق‌العاده مبتنی بر مثال را درک کنند، بهترین حالت را انتخاب کنند. جایگزین الگوریتمی پیشرفته و تنظیم آن برای موارد استفاده خاص، و به سرعت اجرای جدیدترین و موفق‌ترین روش‌های وضوح فوق‌العاده مبتنی بر نمونه را در عمل پیاده‌سازی کنید.

• تکنیک‌ها را با جزئیات پوشش می‌دهد. و جزئیات پیاده‌سازی که با موفقیت در برنامه‌های کاربردی متنوع و پرتقاضا در دنیای واقعی معرفی شده‌اند
• تنوع وسیعی از رویکردهای یادگیری ماشین را پوشش می‌دهد، از مفاهیم خود شباهت در مقیاس متقابل و کدگذاری پراکنده تا آخرین پیشرفت‌ها در یادگیری عمیق
• تفسیری آماری از زیرفضای تکه‌های تصویر طبیعی ارائه می‌کند که از وضوح فوق‌العاده فراتر می‌رود و آن را به منبع ارزشمندی برای هر محققی در زمینه پردازش تصویر یا بینایی سطح پایین تبدیل می‌کند.

Example-Based Super Resolution provides a thorough introduction and overview of example-based super resolution, covering the most successful algorithmic approaches and theories behind them with implementation insights. It also describes current challenges and explores future trends.

Readers of this book will be able to understand the latest natural image patch statistical models and the performance limits of example-based super resolution algorithms, select the best state-of-the-art algorithmic alternative and tune it for specific use cases, and quickly put into practice implementations of the latest and most successful example-based super-resolution methods.

• Provides detailed coverage of techniques and implementation details that have been successfully introduced in diverse and demanding real-world applications
• Covers a wide variety of machine learning approaches, ranging from cross-scale self-similarity concepts and sparse coding, to the latest advances in deep learning
• Presents a statistical interpretation of the subspace of natural image patches that transcends super resolution and makes it a valuable source for any researcher on image processing or low-level vision