Нелокальный алгоритм для сглаживания изображений

[@netmaxed]

по теме dictionary learning for image denoising довольно много уже сказано.
мне нравится вот это: www.csee.wvu.edu/~xinl/papers/CVPR2011_697.pdf
или это: www.cv-foundation.org/openaccess/content_cvpr_2014/papers/Peng_Decomposable_Nonlocal_Tensor_2014_CVPR_paper.pdf

[@ionicman]

Очень круто — посмотрел на сайте примеры.
Было-бы клево сделать photoshop-plugin из этого.
Я бы пользовался точно :)

[@m03r]

Принцип похож на denoising autoencoder со свёрточными сетями.

[@potan]

Не пробовали этот алгоритм на нескольких последовательных изображений из видео? По моему должен хорошо работать.

[@Siarshai]

Да, наверное бы работало хорошо, на соседних кадрах видео обычно много похожих элементов. Проблема в производительности: получается мы увеличиваем количество пикселов в m раз, где m — сколько кадров за раз мы берём.

[@Logonoff]

Xerox кажется встраивала подобный алгоритм в свои копировальные машины и это привело к тому, что на копиях документов могли быть спутаны цифры 6 и 8.

[@Coderik]

Постойте, но ведь дескрипторы обычно имеют достаточно большую размерность. Сравните: 128 элементов стандартного SIFT дескриптора и 27, 75 или 147 элементов квадратного окна для Non-Local Means (3 на 3, 5 на 5 и 7 на 7 соответственно, и предполагаем, что изображение цветное). При этом окно 7 на 7 потребуется только для удаления очень существенного шума. А дескрипторы надо ещё посчитать.

Собственно в той работе, на которую вы ссылаетесь, не предлагается просматривать все пиксели изображения для нахождения похожих окон. Вместо этого используется окрестность от 21 на 21 до 35 на 35 пикселей.
К слову этот же подход используется в более свежей работе: M. Lebrun, A. Buades, and J. M. Morel. A nonlocal bayesian image denoising algorithm. SIAM Journal on Imaging Sciences, 6(3):1665-1688, 2013. Для которой тоже есть чудное демо: demo.ipol.im/demo/16