Denoising y descompresión conjuntos de imágenes usando redes neuronales convolucionales como regularizadores

Autores
González, Mario
Año de publicación
2018
Idioma
español castellano
Tipo de recurso
documento de conferencia
Estado
versión aceptada
Descripción
Los esquemas de compresión wavelet tales como el JPEG2000 o el standard CCSDS (para satélites de muy alta resolución) llevan a la aparición de artefactos visuales muy específicos debido a la cuantificación de los coeficientes wavelet. Éstos tienen una estructura espacial muy correlacionada que hace que sean difíciles de remover por algoritmos de denoising clásicos. En este trabajo, proponemos un esquema de denoising y descompresión conjuntos, basado en plug-and-play ADMM, que combina un término de ajuste a datos que modela la cuantificación de coeficientes wavelet y un prior de imágenes naturales implícito contenido en una red neuronal convolucional de denoising del estado del arte
Fil: González, Mario. Universidad de La República (Uruguay).
Materia
Matemática
Comprensión
Imágenes
Denoising
Wavelets
Redes neuronales
Nivel de accesibilidad
acceso abierto
Condiciones de uso
http://creativecommons.org/licenses/by/2.5/ar/
Repositorio
Biblioteca Digital (UNCu)
Institución
Universidad Nacional de Cuyo
OAI Identificador
oai:bdigital.uncu.edu.ar:13183

id BDUNCU_92e9b1618a5bcf4cbb27bc162575a38b
oai_identifier_str oai:bdigital.uncu.edu.ar:13183
network_acronym_str BDUNCU
repository_id_str 1584
network_name_str Biblioteca Digital (UNCu)
spelling Denoising y descompresión conjuntos de imágenes usando redes neuronales convolucionales como regularizadores González, MarioMatemáticaComprensiónImágenesDenoisingWaveletsRedes neuronalesLos esquemas de compresión wavelet tales como el JPEG2000 o el standard CCSDS (para satélites de muy alta resolución) llevan a la aparición de artefactos visuales muy específicos debido a la cuantificación de los coeficientes wavelet. Éstos tienen una estructura espacial muy correlacionada que hace que sean difíciles de remover por algoritmos de denoising clásicos. En este trabajo, proponemos un esquema de denoising y descompresión conjuntos, basado en plug-and-play ADMM, que combina un término de ajuste a datos que modela la cuantificación de coeficientes wavelet y un prior de imágenes naturales implícito contenido en una red neuronal convolucional de denoising del estado del arte Fil: González, Mario. Universidad de La República (Uruguay). González, MarioMusé, Pablo 2018-10-01documento de conferenciainfo:eu-repo/semantics/conferenceObjectinfo:eu-repo/semantics/acceptedVersionhttp://purl.org/coar/resource_type/c_5794info:ar-repo/semantics/documentoDeConferenciaapplication/pdfhttp://bdigital.uncu.edu.ar/13183spainfo:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by/2.5/ar/reponame:Biblioteca Digital (UNCu)instname:Universidad Nacional de Cuyoinstacron:UNCU2025-09-11T10:19:46Zoai:bdigital.uncu.edu.ar:13183Institucionalhttp://bdigital.uncu.edu.ar/Universidad públicaNo correspondehttp://bdigital.uncu.edu.ar/OAI/hdegiorgi@uncu.edu.ar;horaciod@gmail.comArgentinaNo correspondeNo correspondeNo correspondeopendoar:15842025-09-11 10:19:46.57Biblioteca Digital (UNCu) - Universidad Nacional de Cuyofalse
dc.title.none.fl_str_mv Denoising y descompresión conjuntos de imágenes usando redes neuronales convolucionales como regularizadores
title Denoising y descompresión conjuntos de imágenes usando redes neuronales convolucionales como regularizadores
spellingShingle Denoising y descompresión conjuntos de imágenes usando redes neuronales convolucionales como regularizadores
González, Mario
Matemática
Comprensión
Imágenes
Denoising
Wavelets
Redes neuronales
title_short Denoising y descompresión conjuntos de imágenes usando redes neuronales convolucionales como regularizadores
title_full Denoising y descompresión conjuntos de imágenes usando redes neuronales convolucionales como regularizadores
title_fullStr Denoising y descompresión conjuntos de imágenes usando redes neuronales convolucionales como regularizadores
title_full_unstemmed Denoising y descompresión conjuntos de imágenes usando redes neuronales convolucionales como regularizadores
title_sort Denoising y descompresión conjuntos de imágenes usando redes neuronales convolucionales como regularizadores
dc.creator.none.fl_str_mv González, Mario
author González, Mario
author_facet González, Mario
author_role author
dc.contributor.none.fl_str_mv González, Mario
Musé, Pablo
dc.subject.none.fl_str_mv Matemática
Comprensión
Imágenes
Denoising
Wavelets
Redes neuronales
topic Matemática
Comprensión
Imágenes
Denoising
Wavelets
Redes neuronales
dc.description.none.fl_txt_mv Los esquemas de compresión wavelet tales como el JPEG2000 o el standard CCSDS (para satélites de muy alta resolución) llevan a la aparición de artefactos visuales muy específicos debido a la cuantificación de los coeficientes wavelet. Éstos tienen una estructura espacial muy correlacionada que hace que sean difíciles de remover por algoritmos de denoising clásicos. En este trabajo, proponemos un esquema de denoising y descompresión conjuntos, basado en plug-and-play ADMM, que combina un término de ajuste a datos que modela la cuantificación de coeficientes wavelet y un prior de imágenes naturales implícito contenido en una red neuronal convolucional de denoising del estado del arte
Fil: González, Mario. Universidad de La República (Uruguay).
description Los esquemas de compresión wavelet tales como el JPEG2000 o el standard CCSDS (para satélites de muy alta resolución) llevan a la aparición de artefactos visuales muy específicos debido a la cuantificación de los coeficientes wavelet. Éstos tienen una estructura espacial muy correlacionada que hace que sean difíciles de remover por algoritmos de denoising clásicos. En este trabajo, proponemos un esquema de denoising y descompresión conjuntos, basado en plug-and-play ADMM, que combina un término de ajuste a datos que modela la cuantificación de coeficientes wavelet y un prior de imágenes naturales implícito contenido en una red neuronal convolucional de denoising del estado del arte
publishDate 2018
dc.date.none.fl_str_mv 2018-10-01
dc.type.none.fl_str_mv documento de conferencia
info:eu-repo/semantics/conferenceObject
info:eu-repo/semantics/acceptedVersion
http://purl.org/coar/resource_type/c_5794
info:ar-repo/semantics/documentoDeConferencia
format conferenceObject
status_str acceptedVersion
dc.identifier.none.fl_str_mv http://bdigital.uncu.edu.ar/13183
url http://bdigital.uncu.edu.ar/13183
dc.language.none.fl_str_mv spa
language spa
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
http://creativecommons.org/licenses/by/2.5/ar/
eu_rights_str_mv openAccess
rights_invalid_str_mv http://creativecommons.org/licenses/by/2.5/ar/
dc.format.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv
publisher.none.fl_str_mv
dc.source.none.fl_str_mv reponame:Biblioteca Digital (UNCu)
instname:Universidad Nacional de Cuyo
instacron:UNCU
reponame_str Biblioteca Digital (UNCu)
collection Biblioteca Digital (UNCu)
instname_str Universidad Nacional de Cuyo
instacron_str UNCU
institution UNCU
repository.name.fl_str_mv Biblioteca Digital (UNCu) - Universidad Nacional de Cuyo
repository.mail.fl_str_mv hdegiorgi@uncu.edu.ar;horaciod@gmail.com
_version_ 1842974864877551616
score 13.070432