This paper introduces a novel conte

This paper introduces a novel content-adaptive image downscaling
method. The key idea is to optimize the shape and locations of
the downsampling kernels to better align with local image features.
Our content-adaptive kernels are formed as a bilateral combination
of two Gaussian kernels defined over space and color, respectively.
This yields a continuum ranging from smoothing to edge/detail preserving
kernels driven by image content. We optimize these kernels
to represent the input image well, by finding an output image from
which the input can be well reconstructed. This is technically realized
as an iterative maximum-likelihood optimization using a constrained
variation of the Expectation-Maximization algorithm. In
comparison to previous downscaling algorithms, our results remain
crisper without suffering from ringing artifacts. Besides natural images,
our algorithm is also effective for creating pixel art images
from vector graphics inputs, due to its ability to keep linear features
sharp and connected.

ผลลัพธ์ (ไทย) 1:

เอกสารนี้แนะนำนวนิยายภาพเนื้อหาเหมาะสม downscalingวิธีการ ความคิดสำคัญคือการ ปรับรูปร่างและตำแหน่งที่ตั้งของเมล็ด downsampling เพื่อสอดคล้องกับลักษณะรูปท้องถิ่นเมล็ดของเราปรับเนื้อหาให้เหมาะสมจะเกิดขึ้นเป็นการผสมผสานระหว่างของสอง Gaussian เมล็ดกำหนดพื้นที่ว่างและสี ตามลำดับนี้ทำให้มีความต่อเนื่องตั้งแต่ราบเรียบจะรักษาขอบ/รายละเอียดเมล็ดขับเคลื่อน ด้วยเนื้อหารูปภาพ เราปรับเมล็ดเหล่านี้แสดงรูปสัญญาณดี โดยการค้นหารูปภาพออกจากซึ่งอินพุตจะดีเชิด เทคนิคนี้ถูกรับรู้เป็นการเพิ่มประสิทธิภาพสูงสุดโอกาสซ้ำโดยใช้การจำกัดรูปแบบของอัลกอริทึม Maximization ความคาดหวัง ในเปรียบเทียบกับอัลกอริทึม downscaling ก่อนหน้านี้ ผลของเรายังคงอยู่crisper โดยไม่ทุกข์ทรมานจาก ringing สิ่งประดิษฐ์ นอกจากภาพธรรมชาติอัลกอริทึมของเราเป็นการสร้างภาพพิกเซลจากอินพุตกราฟิกแบบเวกเตอร์ เนื่องจากความสามารถในการให้คุณลักษณะเชิงคมชัด และเชื่อมต่อ

ผลลัพธ์ (ไทย) 2:

กระดาษนี้จะแนะนำการปรับตัวภาพเนื้อหานวนิยาย downscaling
วิธี คิดที่สำคัญคือการเพิ่มประสิทธิภาพรูปร่างและตำแหน่งของ
เมล็ด downsampling เพื่อให้สอดคล้องกับคุณสมบัติของภาพท้องถิ่น.
เมล็ดเนื้อหาการปรับตัวของเราจะกลายเป็นรวมกันในระดับทวิภาคี
ของทั้งสองเมล็ดเสียนที่กำหนดพื้นที่และสีตามลำดับ.
นี้อัตราผลตอบแทนต่อเนื่องตั้งแต่ จากการปรับให้เรียบไปที่ขอบ / รายละเอียดการรักษา
เมล็ดขับเคลื่อนโดยเนื้อหาของภาพ เราเพิ่มประสิทธิภาพเมล็ดเหล่านี้
จะเป็นตัวแทนของภาพที่นำเข้าอย่างดีโดยการหาภาพออกจาก
การป้อนข้อมูลที่สามารถสร้างขึ้นใหม่ได้ดี นี้จะรู้เทคนิค
การเพิ่มประสิทธิภาพเป็นโอกาสสูงสุดซ้ำโดยใช้ข้อ จำกัด
รูปแบบของอัลกอริทึมที่คาดว่า-ปรับปรุงสูงสุด ใน
การเปรียบเทียบกับขั้นตอนวิธีการลดขนาดก่อนหน้านี้ผลของเรายังคงอยู่
crisper โดยไม่ต้องทุกข์ทรมานจากสิ่งประดิษฐ์ที่เรียกเข้า นอกจากนี้ภาพธรรมชาติ
ขั้นตอนวิธีการของเรายังมีประสิทธิภาพสำหรับการสร้างภาพงานศิลปะพิกเซล
จากปัจจัยการผลิตเวกเตอร์กราฟิกเนื่องจากความสามารถในการให้คุณสมบัติเชิงเส้น
ที่คมชัดและการเชื่อมต่อ

ผลลัพธ์ (ไทย) 3:

กระดาษนี้จะแนะนำนิยายเนื้อหาปรับภาพ downscaling
วิธี ความคิดหลักคือการเพิ่มประสิทธิภาพของรูปร่างและตำแหน่งของ
ดาวน์แซมปลิ้งเมล็ดดีกว่า สอดคล้องกับคุณสมบัติภาพท้องถิ่น
เนื้อหาของเราได้เมล็ดมีรูปแบบเป็นการรวมกันระหว่างสองเสียนเมล็ดกำหนดมากกว่า

พื้นที่และสี ตามลำดับนี้ผลผลิตที่ต่อเนื่องตั้งแต่เรียบขอบ / รายละเอียดการรักษา
เมล็ดขับเคลื่อนด้วยภาพเนื้อหา เราใช้เมล็ดเหล่านี้
เป็นตัวแทนของรับภาพได้ดี โดยการหา output ภาพจาก
ซึ่งใส่ได้ทำขึ้นมาใหม่ นี้เป็นเทคนิคที่คิดได้
เป็นซ้ำความเป็นไปได้สูงสุดเพิ่มประสิทธิภาพใช้บังคับ
รูปแบบของความคาดหวังสูงสุดขั้นตอนวิธี ใน
การเปรียบเทียบขั้นตอนวิธี downscaling ก่อนหน้า ผลลัพธ์ของเรายังคง
crisper โดยไม่ทุกข์ดังศิลปวัตถุ นอกจากภาพธรรมชาติ
ขั้นตอนวิธีของเราจะมีประสิทธิภาพสำหรับการสร้างภาพศิลปะพิกเซล
จากอินพุตเวกเตอร์กราฟิก เนื่องจากความสามารถในการเก็บข้อมูลเชิงเส้น
คมและเชื่อมต่อ