Core Concepts
Effektive Entfernung von atmosphärischen Turbulenzen in Videosequenzen durch selbstüberwachtes Lernen.
Abstract
Zusammenfassung:
Atmosphärische Turbulenzen beeinträchtigen die visuelle Wahrnehmung und Interpretation von Bildern.
Modelbasierte Ansätze und Deep-Learning-Methoden werden verglichen.
Ein selbstüberwachtes Lernverfahren wird vorgestellt, das auf einem beschleunigten Deep Image Prior basiert.
Die Methode integriert zeitliche Informationen und verbessert die Qualität von Roh- oder vorverarbeiteten Sequenzen.
Experimente zeigen qualitative und quantitative Verbesserungen der visuellen Qualität.
Struktur:
Einleitung
Problembeschreibung atmosphärischer Turbulenzen.
Auswirkungen auf Bild- und Videoqualität.
Vorgeschlagene Methodik
Deep Image Prior (DIP) Konzept.
Beschleunigung durch Deep Random Projection (DRP) und Early Stopping (ES).
Architektur und Implementierung
Verwendung eines Schiebefensters für die Bildverarbeitung.
Integration von Pixel-Shuffling zur Verbesserung der Verarbeitung von Bildfolgen.
Experimente und Diskussion
Verwendung von Blind Image Quality Indices (BIQI) zur Bewertung der Ergebnisse.
Vergleich mit anderen Methoden wie CLEAR.
Schlussfolgerung
Effektive Kombination von DIP mit DRP und ES für die Turbulenzentfernung.
Stats
"Die Experimente zeigen, dass unsere Methode die visuelle Qualität qualitativ und quantitativ verbessert."
"Die BIQI-Werte variieren im Bereich von 0-100, wobei höhere Werte auf eine bessere Qualität hinweisen."
"Die Hintergrund-Varianz wird gemessen und zeigt die Stabilität der Hintergrundbereiche in den Sequenzen."
Quotes
"Unsere Methode zeigt überlegene Ergebnisse quantitativ und qualitativ."
"Die Hintergrund-Varianzwerte zeigen, dass der Hintergrund jeder Sequenz statischer ist, wenn unsere Methode angewendet wird."