Abstract—We propose a technique for

Abstract—We propose a technique for super-resolution imaging
of a scene from observations at different camera zooms. Given a sequence
of images with different zoom factors of a static scene, we
obtain a picture of the entire scene at a resolution corresponding to
the most zoomed observation. The high-resolution image is modeled
through appropriate parameterization, and the parameters
are learned from the most zoomed observation. Assuming a homogeneity
of the high-resolution field, the learned model is used
as a prior while super-resolving the scene. We suggest the use of
either a Markov random field (MRF) or an simultaneous autoregressive
(SAR) model to parameterize the field based on the computation
one can afford.We substantiate the suitability of the proposed
method through a large number of experimentations on both
simulated and real data.

ผลลัพธ์ (ไทย) 1:

นามธรรมซึ่งเราเสนอเทคนิคซุปเปอร์ความละเอียดภาพของฉากจากข้อสังเกตที่แตกต่างกล้องซูม กำหนดลำดับภาพโดยซูมต่าง ๆ ปัจจัยของฉากคง เรารับรูปภาพของฉากทั้งหมดในการแก้ปัญหาที่สอดคล้องกับสังเกตดูอาการขยายมากที่สุด จำลองภาพความละเอียดสูงparameterization ที่เหมาะสม และพารามิเตอร์จะได้เรียนรู้จากสังเกตขยายมากที่สุด สมมติว่ามี homogeneityฟิลด์ที่มีความละเอียดสูง ใช้รูปแบบการเรียนรู้เป็นก่อนในขณะที่ซุปเปอร์แก้ไขฉาก เราขอแนะนำการใช้Markov เขตสุ่ม (MRF) หรือ autoregressive มีพร้อมรุ่น (ปีการศึกษา) เพื่อ parameterize ฟิลด์ตามการคำนวณหนึ่งสามารถจ่ายเรา substantiate ความเหมาะสมของการนำเสนอวิธีผ่านของ experimentations ทั้งสองอย่างข้อมูลจริง และจำลอง

ผลลัพธ์ (ไทย) 3:

นามธรรมที่เราเสนอเทคนิคสำหรับการถ่ายภาพ
super-resolution ของฉากจากการสังเกตที่ซูมกล้องที่แตกต่างกัน ให้ลำดับของภาพที่ซูม
องค์ประกอบของฉากคงที่เรา
ขอรับภาพทั้งฉากที่ความละเอียดเดียวกัน

ที่สุด ซูมข้อมูล ภาพความละเอียดสูงแบบผ่าน parameterization

และพารามิเตอร์ที่เหมาะสมจะได้เรียนรู้จากการสังเกตส่วนใหญ่ซูม . สมมติว่าค่า
ของความละเอียดสูงนา เรียนรู้แบบใช้
เป็นก่อนในขณะที่ซูเปอร์แก้ไขฉาก เราขอแนะนำให้ใช้ทั้งแบบสุ่มสนาม
( mrf ) หรือตัวพร้อมกัน
( SAR ) แบบ parameterize สนามตามการคำนวณ
หนึ่งสามารถจ่ายได้ เรายืนยันความเหมาะสมของการนำเสนอ
วิธีผ่านจำนวนมากของ experimentations ทั้งสอง
จำลองและข้อมูลที่แท้จริง