PROST, Jean; HOUDARD, Antoine; ALMANSA, Andrés; PAPADAKIS, Nicolas

Métadonnées

Afficher la notice complète

Licence d’utilisation du document

PROST, Jean
Institut de Mathématiques de Bordeaux [IMB]

HOUDARD, Antoine
Institut de Mathématiques de Bordeaux [IMB]

ALMANSA, Andrés
Mathématiques Appliquées Paris 5 [MAP5 - UMR 8145]

Langue

Communication dans un congrès

Ce document a été publié dans

Congrès des jeunes chercheurs en vision par ordinateur (ORASIS'21), 2021-09-13, Saint Ferréol. 2021

Résumé en anglais

Dans ce travail, nous élaborons une stratégie afin d’apprendre une fonction de régularisation pour résoudre des problèmes de restauration d’images. Une fonction de régularisation locale, paramétrée par un réseau de neurones convolutif, est entraînée telle une "critique" entre deux distributions non appariées de patches propres et dégradés, en utilisant un critère d’apprentissage inspiré par les Wasserstein-GAN. La fonction de régularisation globale est ensuite définie comme la valeur moyenne de la fonction locale sur l’ensemble des patches de l’image. L’efficacité de cette méthode est démontrée sur des problèmes de débruitage et de défloutage.< Réduire

URI

https://oskar-bordeaux.fr/handle/20.500.12278/191492

Project ANR

Repenser la post-production d'archives avec des méthodes à patch, variationnelles et par apprentissage - ANR-19-CE23-0027

Origine

Importé de hal

Unités de recherche

Institut de Mathématiques de Bordeaux (IMB) - UMR 5251