Inpainting and Denoising Challenges

مشکل مواجهه با داده های از دست رفته یا ناقص در یادگیری ماشین و بینایی کامپیوتر در بسیاری از برنامه ها به وجود می آید. استراتژی‌های اخیر از مدل‌های تولیدی برای منتسب کردن داده‌های گمشده یا خراب استفاده می‌کنند. پیشرفت‌ها در بینایی کامپیوتری با استفاده از مدل‌های مولد عمیق، کاربردهایی را در پردازش تصویر/ویدئو، مانند حذف نویز، بازیابی، وضوح فوق‌العاده، یا نقاشی درونی پیدا کرده‌اند.

چالش‌های Inpainting و Denoising شامل تلاش‌های اخیر است که با وظایف نقاشی داخلی تصویر و ویدیو سروکار دارد. این شامل راه‌حل‌های برنده برای چالش‌های ChaLearn Looking at People در نقاشی و حذف نویز می‌شود: بازیابی ژست‌های انسانی، حذف شرح ویدیو و بازیابی اثر انگشت.

این جلد با یک بررسی گسترده در مورد حذف نویز تصویر، ردیابی مجدد و مقایسه روش‌های مختلف از روش‌های پردازش سیگنال پیشگام، تا رویکردهای یادگیری ماشین با مدل‌های پراکنده و کم رتبه، و معماری‌های یادگیری عمیق اخیر آغاز می‌شود. با رمزگذارهای خودکار و انواع مختلف. فصل‌های زیر نتایج چالش را ارائه می‌کنند، از جمله سه وظیفه مسابقه در WCCI و ECML 2018. بهترین رویکردهای ارائه‌شده توسط شرکت‌کنندگان شرح داده شده‌اند که مشارکت‌های جالب و روش‌های نوآورانه را نشان می‌دهند. دو فصل آخر مشارکت‌های جدیدی را پیشنهاد می‌کنند و برنامه‌های جدیدی را که از نقاشی درون تصویر/ویدئو بهره می‌برند، برجسته می‌کنند.

The problem of dealing with missing or incomplete data in machine learning and computer vision arises in many applications. Recent strategies make use of generative models to impute missing or corrupted data. Advances in computer vision using deep generative models have found applications in image/video processing, such as denoising, restoration, super-resolution, or inpainting.

Inpainting and Denoising Challenges comprises recent efforts dealing with image and video inpainting tasks. This includes winning solutions to the ChaLearn Looking at People inpainting and denoising challenges: human pose recovery, video de-captioning and fingerprint restoration.

This volume starts with a wide review on image denoising, retracing and comparing various methods from the pioneer signal processing methods, to machine learning approaches with sparse and low-rank models, and recent deep learning architectures with autoencoders and variants. The following chapters present results from the Challenge, including three competition tasks at WCCI and ECML 2018. The top best approaches submitted by participants are described, showing interesting contributions and innovating methods. The last two chapters propose novel contributions and highlight new applications that benefit from image/video inpainting.