– Да, по нескольким похожим кадрам это проще и лучше, но есть ситуации, когда у нас их нет (например, было бы неплохо печатать картинки в более высоком разрешении, чем подано принтеру, при этом, не особо снижая точность) или улучшить качество JPG фото, сохранённых с цветовой субдискретизацией.
- Нет, так как если использовать для восстановления только количество кадров, то имеется предел в теории 4х, на практике - 2x, иначе система становится переопределённой.
Таким образом, чистый VSR без ISR имеет кучу ограничений.
Суперразрешением, я так понял, называется построение изображения высокого (намного больше оригинала) разрешения на основе НЕСКОЛЬКИХ похожих изображений (например, кадров в видео) низкого разрешения (оригинального)?
Можно подробнее про алгоритм? На взгляд - происходит билинейная интерполяция с краевой сеткой, а потом корректировка ближайшим соседом с центрированной сеткой. У Вас интерполяция в итоге или есть и экстраполяция (значения 4 точек влияют и за пределами квадрата, который они образуют)? (В Rust и чужом коде плохо разбираюсь)
Спасибо за информацию, уверен вместе мы, если не придём к решению, то хотя бы обнаружим лучшее из уже созданных! Чёткая постановка задачи будет в следующей статье. Матричное решение - супер, только пока в конкретном виде я его не видел. Есть пара идей по Compressive Sensing - они в будущих статьях. Если мы хотя бы сможем математически понять решение (пусть уже существующее в виде нейросети), то, уверен, это снизит времязатраты (сложность) алгоритма и галлюцинации, вызванные избыточностью и перетренированностью нейросети.
Если сил хватит или найду готовую программу специально для изображений, постараюсь. Уточните, что значит с контролем производных? Я так понял глобальный кубический сохраняет производные до второй. В чём контроль?
Ну, во-первых Вы сами видите как далёк Ваш результат от идеала - вся проблема в том, что количество цветов ограничено там, где нужен градиент, либо цвета пропадают, как например здесь желтый глаз.
Кроме того, я проанализировал в этой статье: полноцветная векторизация (средствами InkScape)+ корректировка Ланшоцем 17,79% ошибки (17 место)
Он основан на пяти примитивах - точка, ровная горизонтальная, ровная вертикальная, произвольная прямая линия, треугольник. Происходит поиск набора таких примитивов, чтобы их количество было минимальным и чтобы они перекрывали всю чёрную/белую область однобитного слоя изображения. Далее они сортируются таким образом, чтобы их описание (координаты, размеры) были минимальными (то есть, если мы уже описали все горизонтальные линии выше опрелелённой ординаты, нет смысла использовать полный набор возможных ординат для дальнейшего описания). После этого получившееся описание сжимается (арифметическим кодированием или LZ-77/78), в зависимости что лучше в конкретном случае
Поиграться на Windows можно здесь: https://github.com/no4ni/LipNet
В чём проблема перевести только то, что в value?
$Тип.$код языка.resx - например, Strings.ru.resx
Всё - больше ничего делать не надо, просто в коде вместо "строки" вызываем Strings.Name
В предсказаниях a_i (коэффициенты) откуда берутся?
А CRC вышестоящих каталогов не поможет? (При условии, что все остальные файлы в архиве не повреждены)
ILGPU компилятор вроде может запускать один и тот же код на cpu, cuda и cl?
Суперразрешением, я так понял, называется построение изображения высокого (намного больше оригинала) разрешения на основе НЕСКОЛЬКИХ похожих изображений (например, кадров в видео) низкого разрешения (оригинального)?
Круто - реверс интерполяции!
Не хотите бикубическую реверснуть? может корректировка тогда не так сильно будет выпячивать
полная проверка? с руткитами?
Можно подробнее про алгоритм? На взгляд - происходит билинейная интерполяция с краевой сеткой, а потом корректировка ближайшим соседом с центрированной сеткой. У Вас интерполяция в итоге или есть и экстраполяция (значения 4 точек влияют и за пределами квадрата, который они образуют)? (В Rust и чужом коде плохо разбираюсь)
в URL конечно не будет вирусов - там 200 Success "view-source:https://github.com/orekhoff/sharpened_bilinear/releases/download/v1.0.0/sharpened_bilinear.exegithub.com" - там *.exe нету, проверьте свой компьютер "Полная проверка" любым антивирусом с последними сигнатурами (обновлениями)
Windows Defender'ом - Защитником Windows
Trojan:Win32/Phonzy.A!ml - проверьте свой компьютер
Спасибо за информацию, уверен вместе мы, если не придём к решению, то хотя бы обнаружим лучшее из уже созданных! Чёткая постановка задачи будет в следующей статье. Матричное решение - супер, только пока в конкретном виде я его не видел. Есть пара идей по Compressive Sensing - они в будущих статьях. Если мы хотя бы сможем математически понять решение (пусть уже существующее в виде нейросети), то, уверен, это снизит времязатраты (сложность) алгоритма и галлюцинации, вызванные избыточностью и перетренированностью нейросети.
Большое спасибо, изучу, а можно ещё релиз *.exe на гитхаб?
Если сил хватит или найду готовую программу специально для изображений, постараюсь. Уточните, что значит с контролем производных? Я так понял глобальный кубический сохраняет производные до второй. В чём контроль?
Ну, во-первых Вы сами видите как далёк Ваш результат от идеала - вся проблема в том, что количество цветов ограничено там, где нужен градиент, либо цвета пропадают, как например здесь желтый глаз.
Кроме того, я проанализировал в этой статье:
полноцветная векторизация (средствами InkScape) + корректировка Ланшоцем 17,79% ошибки (17 место)
В Википедии написано он с потерями
Конкретнее та версия, что в статье:
VRP...
Он основан на пяти примитивах - точка, ровная горизонтальная, ровная вертикальная, произвольная прямая линия, треугольник. Происходит поиск набора таких примитивов, чтобы их количество было минимальным и чтобы они перекрывали всю чёрную/белую область однобитного слоя изображения. Далее они сортируются таким образом, чтобы их описание (координаты, размеры) были минимальными (то есть, если мы уже описали все горизонтальные линии выше опрелелённой ординаты, нет смысла использовать полный набор возможных ординат для дальнейшего описания). После этого получившееся описание сжимается (арифметическим кодированием или LZ-77/78), в зависимости что лучше в конкретном случае