Convolutional Neural Networks for Direct Text Deblurring
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216305%3A26230%2F15%3APU117023" target="_blank" >RIV/00216305:26230/15:PU117023 - isvavai.cz</a>
Nalezeny alternativní kódy
RIV/67985556:_____/15:00450667
Výsledek na webu
<a href="http://www.bmva.org/bmvc/2015/papers/paper006/index.html" target="_blank" >http://www.bmva.org/bmvc/2015/papers/paper006/index.html</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.5244/C.29.6" target="_blank" >10.5244/C.29.6</a>
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
Convolutional Neural Networks for Direct Text Deblurring
Popis výsledku v původním jazyce
In this work we address the problem of blind deconvolution and denoising. We focus on restoration of text documents and we show that this type of highly structured data can be successfully restored by a convolutional neural network. The networks are trained to reconstruct high-quality images directly from blurry inputs without assuming any specific blur and noise models. We demonstrate the performance of the convolutional networks on a large set of text documents and on a combination of realistic de-focus and camera shake blur kernels. On this artificial data, the convolutional networks significantly outperform existing blind deconvolution methods, including those optimized for text, in terms of image quality and OCR accuracy. In fact, the networks outperform even state-of-the-art non-blind methods for anything but the lowest noise levels. The approach is validated on real photos taken by various devices. Further information including test data and trained networks can be found on the [PROJECT PAGE] (http://www.fit.vutbr.cz/~ihradis/CNN-Deblur/).
Název v anglickém jazyce
Convolutional Neural Networks for Direct Text Deblurring
Popis výsledku anglicky
In this work we address the problem of blind deconvolution and denoising. We focus on restoration of text documents and we show that this type of highly structured data can be successfully restored by a convolutional neural network. The networks are trained to reconstruct high-quality images directly from blurry inputs without assuming any specific blur and noise models. We demonstrate the performance of the convolutional networks on a large set of text documents and on a combination of realistic de-focus and camera shake blur kernels. On this artificial data, the convolutional networks significantly outperform existing blind deconvolution methods, including those optimized for text, in terms of image quality and OCR accuracy. In fact, the networks outperform even state-of-the-art non-blind methods for anything but the lowest noise levels. The approach is validated on real photos taken by various devices. Further information including test data and trained networks can be found on the [PROJECT PAGE] (http://www.fit.vutbr.cz/~ihradis/CNN-Deblur/).
Klasifikace
Druh
D - Stať ve sborníku
CEP obor
—
OECD FORD obor
10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)
Návaznosti výsledku
Projekt
Výsledek vznikl pri realizaci vícero projektů. Více informací v záložce Projekty.
Návaznosti
P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)
Ostatní
Rok uplatnění
2015
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
Název statě ve sborníku
Proceedings of BMVC 2015
ISBN
1-901725-53-7
ISSN
—
e-ISSN
—
Počet stran výsledku
13
Strana od-do
1-13
Název nakladatele
The British Machine Vision Association and Society for Pattern Recognition
Místo vydání
Swansea
Místo konání akce
Swansea
Datum konání akce
7. 9. 2015
Typ akce podle státní příslušnosti
WRD - Celosvětová akce
Kód UT WoS článku
—