Image demosaicing using Deep Image Prior

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216305%3A26220%2F23%3APU148723" target="_blank" >RIV/00216305:26220/23:PU148723 - isvavai.cz</a>

Výsledek na webu

<a href="https://www.eeict.cz/eeict_download/archiv/sborniky/EEICT_2023_sbornik_2_v2.pdf" target="_blank" >https://www.eeict.cz/eeict_download/archiv/sborniky/EEICT_2023_sbornik_2_v2.pdf</a>

DOI - Digital Object Identifier

—

Jazyk výsledku

angličtina

Název v původním jazyce

Image demosaicing using Deep Image Prior

Popis výsledku v původním jazyce

The paper focuses on the problem of image demosaicing using the deep image prior. The deep image prior (DIP) is an uncommon concept that uses a generative neural network which, however, utilizes only the degraded image as the input for training. A novel method for image demosaicing is proposed, based on DIP, and it is compared with common demosaicing methods. In terms of the objective PSNR and SSIM values, the proposed method proved to be comparable with a widely used Malvar’s demosaicing method. Nevertheless, subjectively, DIP produces demosaiced images comparable with the superior Menon’s algorithm. Unfortunately, the proposed method turned out to be computationally immensely challenging.

Název v anglickém jazyce

Image demosaicing using Deep Image Prior

Popis výsledku anglicky

The paper focuses on the problem of image demosaicing using the deep image prior. The deep image prior (DIP) is an uncommon concept that uses a generative neural network which, however, utilizes only the degraded image as the input for training. A novel method for image demosaicing is proposed, based on DIP, and it is compared with common demosaicing methods. In terms of the objective PSNR and SSIM values, the proposed method proved to be comparable with a widely used Malvar’s demosaicing method. Nevertheless, subjectively, DIP produces demosaiced images comparable with the superior Menon’s algorithm. Unfortunately, the proposed method turned out to be computationally immensely challenging.

Druh

O - Ostatní výsledky

CEP obor

—

OECD FORD obor

20203 - Telecommunications

Projekt

<a href="/cs/project/GA23-07294S" target="_blank" >GA23-07294S: Od perceptronu k percepci: psychoakusticky motivovaná rekonstrukce audio signálu s využitím prvků hlubokého učení</a><br>

Návaznosti

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Rok uplatnění

2023

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů