Inpainting and Denoising Challenges / Escalera, Sergio ; Ayache, Stephane ; Wan, Jun ; Madadi, Meysam ; Güçlü, Umut ; Baró, Xavier  

Público ISBD Ningún comentario para este título. Título : Inpainting and Denoising Challenges Tipo de documento: documento electrónico Autores: Escalera, Sergio, ; Ayache, Stephane, ; Wan, Jun, ; Madadi, Meysam, ; Güçlü, Umut, ; Baró, Xavier, Mención de edición: 1 ed. Editorial: [s.l.] : Springer Fecha de publicación: 2019 Número de páginas: VIII, 144 p. 65 ilustraciones, 56 ilustraciones en color. ISBN/ISSN/DL: 978-3-030-25614-2 Nota general: Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. Idioma : Inglés (eng) Palabras clave: Visión por computador  Reconocimiento de patrones automatizado  Inteligencia artificial  Sistemas de reconocimiento de patrones Clasificación: 006.3 Resumen: El problema de lidiar con datos faltantes o incompletos en el aprendizaje automático y la visión por computadora surge en muchas aplicaciones. Las estrategias recientes utilizan modelos generativos para imputar datos faltantes o corruptos. Los avances en visión por computadora que utilizan modelos generativos profundos han encontrado aplicaciones en el procesamiento de imágenes y videos, como eliminación de ruido, restauración, superresolución o pintura interna. Inpainting and Denoising Challenges comprende esfuerzos recientes que se ocupan de tareas de pintura de imágenes y videos. Esto incluye soluciones ganadoras para los desafíos de ChaLearn Looking at People en pintura y eliminación de ruido: recuperación de pose humana, desubtitulado de video y restauración de huellas dactilares. Este volumen comienza con una amplia revisión sobre la eliminación de ruido de imágenes, el rastreo y la comparación de varios métodos, desde los métodos pioneros de procesamiento de señales hasta enfoques de aprendizaje automático con modelos dispersos y de bajo rango, y arquitecturas recientes de aprendizaje profundo con codificadores automáticos y variantes. Los siguientes capítulos presentan los resultados del Desafío, incluidas tres tareas de competencia en WCCI y ECML 2018. Se describen los mejores enfoques presentados por los participantes, mostrando contribuciones interesantes y métodos innovadores. Los dos últimos capítulos proponen contribuciones novedosas y destacan nuevas aplicaciones que se benefician de la imagen/vídeo en la pintura. . Nota de contenido: 1. A Brief Review of Image Denoising Algorithms and Beyond -- 2. ChaLearn Looking at People: Inpainting and Denoising Challenges -- 3. U-Finger: Multi-Scale Dilated Convolutional Network for Fingerprint Image Denoising and Inpainting -- 4. FPD-M-net: Fingerprint Image Denoising and Inpainting Using M-Net Based Convolutional Neural Networks -- 5. Iterative Application of Autoencoders for Video Inpainting and Fingerprint Denoising -- 6. Video DeCaptioning using U-Net with Stacked Dilated Convolutional Layers -- 7. Joint Caption Detection and Inpainting using Generative Network -- 8. Generative Image Inpainting for Person Pose Generation -- 9. Person Inpainting with Generative Adversarial Networks -- 10. Road Layout Understanding by Generative Adversarial Inpainting -- 11. Photo-realistic and Robust Inpainting of Faces using Refinement GANs. Tipo de medio : Computadora Summary : The problem of dealing with missing or incomplete data in machine learning and computer vision arises in many applications. Recent strategies make use of generative models to impute missing or corrupted data. Advances in computer vision using deep generative models have found applications in image/video processing, such as denoising, restoration, super-resolution, or inpainting. Inpainting and Denoising Challenges comprises recent efforts dealing with image and video inpainting tasks. This includes winning solutions to the ChaLearn Looking at People inpainting and denoising challenges: human pose recovery, video de-captioning and fingerprint restoration. This volume starts with a wide review on image denoising, retracing and comparing various methods from the pioneer signal processing methods, to machine learning approaches with sparse and low-rank models, and recent deep learning architectures with autoencoders and variants. The following chapters present results from the Challenge, including three competition tasks at WCCI and ECML 2018. The top best approaches submitted by participants are described, showing interesting contributions and innovating methods. The last two chapters propose novel contributions and highlight new applications that benefit from image/video inpainting. . Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Inpainting and Denoising Challenges [documento electrónico] / Escalera, Sergio, ; Ayache, Stephane, ; Wan, Jun, ; Madadi, Meysam, ; Güçlü, Umut, ; Baró, Xavier,  . -  1 ed.  . - [s.l.] : Springer, 2019 . - VIII, 144 p. 65 ilustraciones, 56 ilustraciones en color. ISBN : 978-3-030-25614-2 Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. Idioma : Inglés (eng) Palabras clave: Visión por computador  Reconocimiento de patrones automatizado  Inteligencia artificial  Sistemas de reconocimiento de patrones Clasificación: 006.3 Resumen: El problema de lidiar con datos faltantes o incompletos en el aprendizaje automático y la visión por computadora surge en muchas aplicaciones. Las estrategias recientes utilizan modelos generativos para imputar datos faltantes o corruptos. Los avances en visión por computadora que utilizan modelos generativos profundos han encontrado aplicaciones en el procesamiento de imágenes y videos, como eliminación de ruido, restauración, superresolución o pintura interna. Inpainting and Denoising Challenges comprende esfuerzos recientes que se ocupan de tareas de pintura de imágenes y videos. Esto incluye soluciones ganadoras para los desafíos de ChaLearn Looking at People en pintura y eliminación de ruido: recuperación de pose humana, desubtitulado de video y restauración de huellas dactilares. Este volumen comienza con una amplia revisión sobre la eliminación de ruido de imágenes, el rastreo y la comparación de varios métodos, desde los métodos pioneros de procesamiento de señales hasta enfoques de aprendizaje automático con modelos dispersos y de bajo rango, y arquitecturas recientes de aprendizaje profundo con codificadores automáticos y variantes. Los siguientes capítulos presentan los resultados del Desafío, incluidas tres tareas de competencia en WCCI y ECML 2018. Se describen los mejores enfoques presentados por los participantes, mostrando contribuciones interesantes y métodos innovadores. Los dos últimos capítulos proponen contribuciones novedosas y destacan nuevas aplicaciones que se benefician de la imagen/vídeo en la pintura. . Nota de contenido: 1. A Brief Review of Image Denoising Algorithms and Beyond -- 2. ChaLearn Looking at People: Inpainting and Denoising Challenges -- 3. U-Finger: Multi-Scale Dilated Convolutional Network for Fingerprint Image Denoising and Inpainting -- 4. FPD-M-net: Fingerprint Image Denoising and Inpainting Using M-Net Based Convolutional Neural Networks -- 5. Iterative Application of Autoencoders for Video Inpainting and Fingerprint Denoising -- 6. Video DeCaptioning using U-Net with Stacked Dilated Convolutional Layers -- 7. Joint Caption Detection and Inpainting using Generative Network -- 8. Generative Image Inpainting for Person Pose Generation -- 9. Person Inpainting with Generative Adversarial Networks -- 10. Road Layout Understanding by Generative Adversarial Inpainting -- 11. Photo-realistic and Robust Inpainting of Faces using Refinement GANs. Tipo de medio : Computadora Summary : The problem of dealing with missing or incomplete data in machine learning and computer vision arises in many applications. Recent strategies make use of generative models to impute missing or corrupted data. Advances in computer vision using deep generative models have found applications in image/video processing, such as denoising, restoration, super-resolution, or inpainting. Inpainting and Denoising Challenges comprises recent efforts dealing with image and video inpainting tasks. This includes winning solutions to the ChaLearn Looking at People inpainting and denoising challenges: human pose recovery, video de-captioning and fingerprint restoration. This volume starts with a wide review on image denoising, retracing and comparing various methods from the pioneer signal processing methods, to machine learning approaches with sparse and low-rank models, and recent deep learning architectures with autoencoders and variants. The following chapters present results from the Challenge, including three competition tasks at WCCI and ECML 2018. The top best approaches submitted by participants are described, showing interesting contributions and innovating methods. The last two chapters propose novel contributions and highlight new applications that benefit from image/video inpainting. . Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...]

---

1 (1 - 1 / 1) Ver por página : 25 50 100 200