Por favor, use este identificador para citar o enlazar este ítem:
https://hdl.handle.net/20.500.12008/27061
Cómo citar
Registro completo de metadatos
Campo DC | Valor | Lengua/Idioma |
---|---|---|
dc.contributor.author | Carbajal, Guillermo | - |
dc.contributor.author | Vitoria, Patricia | - |
dc.contributor.author | Delbracio, Mauricio | - |
dc.contributor.author | Musé, Pablo | - |
dc.contributor.author | Lezama, José | - |
dc.date.accessioned | 2021-04-13T16:03:39Z | - |
dc.date.available | 2021-04-13T16:03:39Z | - |
dc.date.issued | 2021 | - |
dc.identifier.citation | Carbajal, G., Vitoria, P., Delbracio, M., y otros. Single image non-uniform blur kernel estimation via adaptive basis decomposition. Computing Research Repository (CoRR). [Preprint]. EN: Computing Research Repository (CoRR), 2021, pp 1-11. arXiv:2102.01026. | es |
dc.identifier.uri | https://hdl.handle.net/20.500.12008/27061 | - |
dc.description.abstract | Characterizing and removing motion blur caused by camera shake or object motion remains an important task for image restoration. In recent years, removal of motion blur in photographs has seen impressive progress in the hands of deep learning-based methods, trained to map directly from blurry to sharp images. Characterization of motion blur, on the other hand, has received less attention and progress in model-based methods for restoration lags behind that of data-driven end-to-end approaches. In this paper, we propose a general, non-parametric model for dense non-uniform motion blur estimation. Given a blurry image, we estimate a set of adaptive basis kernels as well as the mixing coefficients at pixel level, producing a per-pixel map of motion blur. This rich but efficient forward model of the degradation process allows the utilization of existing tools for solving inverse problems. We show that our method overcomes the limitations of existing non-uniform motion blur estimation and that it contributes to bridging the gap between model-based and data-driven approaches for deblurring real photographs. | es |
dc.format.extent | 11 p. | es |
dc.format.mimetype | application/pdf | es |
dc.language.iso | en | es |
dc.publisher | arXiv | es |
dc.relation.ispartof | Computing Research Repository (CoRR), arXiv:2102.01026, pp. 1-11, feb 2021 | es |
dc.rights | Las obras depositadas en el Repositorio se rigen por la Ordenanza de los Derechos de la Propiedad Intelectual de la Universidad de la República.(Res. Nº 91 de C.D.C. de 8/III/1994 – D.O. 7/IV/1994) y por la Ordenanza del Repositorio Abierto de la Universidad de la República (Res. Nº 16 de C.D.C. de 07/10/2014) | es |
dc.subject | Computer Vision and Pattern Recognition | es |
dc.subject | Artificial Intelligence | es |
dc.subject | Machine Learning | es |
dc.title | Single image non-uniform blur kernel estimation via adaptive basis decomposition. | es |
dc.type | Preprint | es |
dc.contributor.filiacion | Carbajal Guillermo, Universidad de la República (Uruguay). Facultad de Ingeniería. | - |
dc.contributor.filiacion | Vitoria Patricia, Universitat Pompeu Fabra, Barcelona, España | - |
dc.contributor.filiacion | Delbracio Mauricio, Universidad de la República (Uruguay). Facultad de Ingeniería. | - |
dc.contributor.filiacion | Musé Pablo, Universidad de la República (Uruguay). Facultad de Ingeniería. | - |
dc.contributor.filiacion | Lezama José, Universidad de la República (Uruguay). Facultad de Ingeniería. | - |
dc.rights.licence | Licencia Creative Commons Atribución - No Comercial - Sin Derivadas (CC - By-NC-ND 4.0) | es |
Aparece en las colecciones: | Publicaciones académicas y científicas - Instituto de Ingeniería Eléctrica |
Ficheros en este ítem:
Fichero | Descripción | Tamaño | Formato | ||
---|---|---|---|---|---|
CVDML21.pdf | Preprint | 26,09 MB | Adobe PDF | Visualizar/Abrir |
Este ítem está sujeto a una licencia Creative Commons Licencia Creative Commons