Bayesian Modeling of Uncertainty in Low-Level Vision

Vision باید با عدم قطعیت مقابله کند. حسگرها دارای نویز هستند، دانش قبلی نامشخص یا نادرست است، و مشکلات بازیابی اطلاعات صحنه از تصاویر اغلب نامناسب یا محدود هستند. این تک نگاری پژوهشی که بر اساس مدرک دکتری ریچارد شلیسکی تهیه شده است. پایان نامه در دانشگاه کارنگی ملون، یک مدل بیزی برای نمایش و پردازش عدم قطعیت در دید سطح پایین ارائه می کند. اخیراً مدل های احتمالی در بینایی پیشنهاد و استفاده شده است. روش Sze liski دارای چند ویژگی متمایز است که این تک نگاری را مهم و جذاب می کند. ابتدا، او یک چارچوب تخمین احتمالی بیزی سیستماتیک را ارائه می‌کند که در آن می‌توانیم مدل قبلی، مدل حسگر و مدل پسین را تعریف و محاسبه کنیم. دوم، روش او نه تنها بهترین تخمین‌ها، بلکه سطح عدم قطعیت آن تخمین‌ها را با استفاده از آمار مرتبه دوم، یعنی واریانس و کوواریانس، نشان می‌دهد و به صراحت محاسبه می‌کند. سوم، الگوریتم‌های توسعه‌یافته از نظر محاسباتی برای میدان‌های متراکم، مانند نقشه‌های عمقی که از داده‌های استریو یا فاصله یاب ساخته شده‌اند، به جای مجموعه داده‌های پراکنده، قابل پردازش هستند. در نهایت، Szeliski کاربردهای موفقیت آمیز این روش را برای چندین مشکل دنیای واقعی نشان می دهد، از جمله تولید سطوح فراکتال، تخمین حرکت بدون تطابق با استفاده از داده های محدوده پراکنده، و عمق افزایشی از حرکت.

Vision has to deal with uncertainty. The sensors are noisy, the prior knowledge is uncertain or inaccurate, and the problems of recovering scene information from images are often ill-posed or underconstrained. This research monograph, which is based on Richard Szeliski's Ph.D. dissertation at Carnegie Mellon University, presents a Bayesian model for representing and processing uncertainty in low­ level vision. Recently, probabilistic models have been proposed and used in vision. Sze­ liski's method has a few distinguishing features that make this monograph im­ portant and attractive. First, he presents a systematic Bayesian probabilistic estimation framework in which we can define and compute the prior model, the sensor model, and the posterior model. Second, his method represents and computes explicitly not only the best estimates but also the level of uncertainty of those estimates using second order statistics, i.e., the variance and covariance. Third, the algorithms developed are computationally tractable for dense fields, such as depth maps constructed from stereo or range finder data, rather than just sparse data sets. Finally, Szeliski demonstrates successful applications of the method to several real world problems, including the generation of fractal surfaces, motion estimation without correspondence using sparse range data, and incremental depth from motion.