Description du livre
Le problème du traitement des données manquantes ou incomplètes dans l'apprentissage automatique et la vision par ordinateur se pose dans de nombreuses applications. Les stratégies récentes font appel à des modèles génératifs pour imputer les données manquantes ou corrompues. Les progrès de la vision par ordinateur utilisant des modèles de génération profonde ont trouvé des applications dans le traitement de l'image et de la vidéo, comme le débruitage, la restauration, la super-résolution ou l'inpainting.
Inpainting and Denoising Challenges comprend les efforts récents dans le domaine de l'inpainting d'images et de vidéos. Cela inclut des solutions gagnantes pour le ChaLearn Looking at People inpainting and denoising challenges : human pose recovery, video de-captioning and fingerprint restoration.
Ce volume commence par une vaste revue sur le débruitage d'images, le retraçage et la comparaison de diverses méthodes allant des méthodes pionnières de traitement du signal aux approches d'apprentissage machine avec des modèles clairsemés et de rang inférieur, en passant par les architectures récentes d'apprentissage profond avec des codeurs automatiques et des variantes. Les chapitres suivants présentent les résultats du Challenge, y compris trois tâches de compétition au WCCI et au CELV 2018. Les meilleures approches présentées par les participants sont décrites, montrant des contributions intéressantes et des méthodes innovantes. Les deux derniers chapitres proposent des contributions inédites et mettent en lumière de nouvelles applications qui bénéficient de l'utilisation de la peinture d'images/vidéo.