En un algoritmo típico de superresolución, el modelado del error de fusión, incluyendo el error de registro y el ruido aditivo, tiene una gran influencia en el rendimiento de los algoritmos de superresolución. En esta carta, mostramos que la calidad de la imagen de alta resolución reconstruida puede incrementarse explotando un modelo adecuado para el error de fusión. Para modelar adecuadamente el error de fusión, proponemos minimizar una función de coste que consiste en L1- y L2-normas ponderadas local y adaptativamente considerando el modelo de error. Se utilizan pesos binarios para seleccionar de forma adaptativa la norma L1 o L2 en función de los errores locales. Los resultados de la simulación demuestran que el algoritmo propuesto puede superar las desventajas de utilizar la norma L1 o L2.
Esta es una versión de prueba de citación de documentos de la Biblioteca Virtual Pro. Puede contener errores. Lo invitamos a consultar los manuales de citación de las respectivas fuentes.
Artículo:
Aplicación del algoritmo de árbol de decisión difuso basado en computación móvil en la gestión de socios de fitness deportivo.
Artículo:
Investigación DAFO sobre el desarrollo del sistema de comercio electrónico de turismo rural en el contexto de la era del Big Data
Artículo:
Análisis de sentimientos de pinturas chinas basado en una Red Neuronal Convolucional liviana.
Artículo:
Aplicación de la política fiscal en la zona franca basada en la tecnología Big Data e Internet de las cosas
Artículo:
Sistema de Información Móvil de la Capacidad de Enseñanza de Inglés Basado en Big Data Fuzzy -Means Clustering
Informe, reporte:
Diagnóstico sobre la logística del comercio internacional y su incidencia en la competitividad de las exportaciones de los países miembros
Infografía:
Sistemas de calidad. Six Sigma
Manual:
Química de los taninos
Artículo:
Influencia del COVID-19 en las dinámicas de exportación, producción y consumo de carne vacuna en Colombia y el mundo: Una revisión monográfica.