Un modelo variacional multiescala para la fusión de imágenes multiexposición

Área de la Ciencia:

• Visión por Computadora
• Procesamiento de Imágenes
• Imágenes Computacionales

Sus antecedentes:

• La fusión de imágenes multiexposición (MEF) es crucial para generar imágenes de alto rango dinámico (HDR).
• Los métodos existentes a menudo luchan con la preservación de detalles y la reducción de artefactos.

Objetivo del estudio:

• Proponer un novedoso modelo variacional para MEF.
• Mejorar la calidad de la imagen HDR a través de la descomposición y reconstrucción basada en detalles.
• Abordar las limitaciones en las técnicas actuales de MEF.

Principales métodos:

• Se desarrolló un marco variacional unificado que integra la descomposición y la reconstrucción.
• Se empleó regularización Tikhonov para la modelización de la capa base.
• Se utilizó un diseño eficiente para la extracción de capas de detalle y técnicas multiescala para la eliminación de artefactos.
• Se aplicó el Método de Multiplicadores de Dirección Alterna (ADMM) para la optimización numérica.

Principales resultados:

• El modelo propuesto demuestra un rendimiento superior en calidad visual y métricas objetivas.
• Se logró una mejora del 1-10% en el Evaluador de Calidad de Imagen Natural (NIQE) para la fusión de imágenes reales.
• Se mostró una mejora del 13-20% en la Relación Señal-Ruido Pico (PSNR) para la fusión de imágenes sintéticas.

Conclusiones:

• El novedoso modelo variacional ofrece mejoras significativas en MEF.
• El enfoque integrado preserva eficazmente los detalles y reduce los artefactos.
• El método proporciona una solución robusta para generar imágenes HDR de alta calidad.