대규모 이미지 필터링을 위한 몬테카를로 비국소 평균
본 논문은 비국소 평균(NLM) 알고리즘의 계산량을 크게 줄이기 위해 무작위 샘플링을 적용한 Monte Carlo NLM(MCNLM)을 제안한다. 샘플링 비율에 따라 선택된 일부 패치 거리만을 이용해 근사값을 계산하고, 대규모 이미지·외부 데이터베이스에서는 근사값이 원본 NLM 결과에 대해 확률적으로 강하게 집중함을 대편향 이론으로 증명한다. 또한 부분적인 유사도 가중치 정보를 활용한 최적 샘플링 패턴을 도출하고, 실험을 통해 10억 개 이상의…
저자: Stanley H. Chan, Todd Zickler, Yue M. Lu
본 논문은 비국소 평균(NLM) 알고리즘의 계산 복잡성을 근본적으로 낮추기 위해 무작위 샘플링을 도입한 Monte Carlo NLM(MCNLM)을 제안한다. NLM은 각 노이즈 픽셀 i에 대해 전체 참조 패치 집합 X={x₁,…,x_n}와의 유사도 가중치 w_{i,j}=exp(−‖y_i−x_j‖_Λ²/(2h²))를 계산하고, 이를 정규화하여 필터링 값을 얻는다. 그러나 전체 가중치를 모두 계산하려면 O(m·n·d) 연산이 필요해, m·n이 수억~수십억에 달하는 대규모 이미지나 외부 데이터베이스에서는 실용적이지 않다.
MCNLM은 각 픽셀 i마다 사전 정의된 확률 벡터 p=
원본 논문
고화질 논문을 불러오는 중입니다...
댓글 및 학술 토론
Loading comments...
의견 남기기