Inverse Problems in Image Restoration

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F67985556%3A_____%2F25%3A00638576" target="_blank" >RIV/67985556:_____/25:00638576 - isvavai.cz</a>

Výsledek na webu

<a href="https://link.springer.com/book/10.1007/978-3-031-87213-6" target="_blank" >https://link.springer.com/book/10.1007/978-3-031-87213-6</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1007/978-3-031-87213-6_14" target="_blank" >10.1007/978-3-031-87213-6_14</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Inverse Problems in Image Restoration

Popis výsledku v původním jazyce

This work addresses inverse problems in image restoration, focusing on recovering high-quality images from degraded observations, a critical task in fields like microscopy and digital photography. We examine both traditional variational methods and modern deep learning techniques, highlighting hybrid approaches that merge mathematical modeling with data-driven learning. Classical model-based methods use explicit regularization, like total variation, to incorporate prior knowledge and stabilize the inversion process. Meanwhile, deep learning approaches, both supervised and self-supervised, leverage implicit regularization, where network architectures capture and learn prior information from data. We present our recent advancements in this field and discuss the effectiveness of these complementary approaches in solving complex image restoration problems in theory and practice.

Název v anglickém jazyce

Inverse Problems in Image Restoration

Popis výsledku anglicky

This work addresses inverse problems in image restoration, focusing on recovering high-quality images from degraded observations, a critical task in fields like microscopy and digital photography. We examine both traditional variational methods and modern deep learning techniques, highlighting hybrid approaches that merge mathematical modeling with data-driven learning. Classical model-based methods use explicit regularization, like total variation, to incorporate prior knowledge and stabilize the inversion process. Meanwhile, deep learning approaches, both supervised and self-supervised, leverage implicit regularization, where network architectures capture and learn prior information from data. We present our recent advancements in this field and discuss the effectiveness of these complementary approaches in solving complex image restoration problems in theory and practice.

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)

Projekt

<a href="/cs/project/GA21-03921S" target="_blank" >GA21-03921S: Inverzní problémy ve zpracování obrazu</a><br>

Návaznosti

I - Institucionalni podpora na dlouhodoby koncepcni rozvoj vyzkumne organizace

Rok uplatnění

2025

Kód důvěrnosti údajů

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

Název statě ve sborníku

Inverse Problems: Modelling and Simulation : Extended Abstracts of the IPMS Conference 2024

ISBN

978-3-031-87212-9

ISSN

—

e-ISSN

—

Počet stran výsledku

7

Strana od-do

107-113

Název nakladatele

Springer

Místo vydání

Cham

Místo konání akce

Paradise Bay Resort Hotel

Datum konání akce

26. 5. 2024

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—