Abstract

• 影象平滑已被用於影象分割，影象重建，物件分類和3D內容生成。 在預處理步驟中使用了幾種平滑方法來保持關鍵邊緣，同時去除噪聲和小細節。
• 為了提供快速和準確的平滑，我們提出了一種有效的方案，該方案使用平滑影象的梯度，拉普拉斯運算元和對角線導數的加權組合。
• 對於計算複雜性，在GPU上執行的所提出的平滑方案提供的複雜度比在CPU上執行的所提出的平滑方案和基於L0的平滑方案低18和16倍。

Introduction

• 在預處理步驟中使用邊緣保持平滑方案來保留關鍵邊緣以便維持給定影象的主要結構，同時去除需要平滑或連續改變的小細節
• 使用引導影象的引導影象濾波器具有BLF的邊緣保持特性。
• BLF方法，取決於畫素強度及其鄰域，受到濾波器尺寸和強度範圍引數的嚴重影響，但其平滑效能對於高對比度而言較弱。
• 基於稀疏梯度計數的L0平滑具有全域性優化的高效能。 然而，該方案在去除瑣碎細節和平滑離散區域方面的效能有限。

Background : Gradient Sparseness Counting And Smoothing Schemes

Image Smoothing Scheme Based On Five Directional Partial Derivatives

• 所提出的成本函式是通過最小化平滑和輸入影象之間的不匹配項，幅度變化計數項和分裂項來定義的，以解決不同的凸函式
• 
• 在所提出的方法中，測量由梯度，拉普拉斯運算元和對角線導數項的加權求和組成。
• 
• 
• 
• 
• 
• 
• 

• Experimental Results

• 使用基於BLF的方案和用於第一影象的基於引導影象濾波器的方案的平滑影象比使用基於L0的方案和所提出的方案更加模糊。 與基於BLF的方案和引導影象濾波器方案相比，L0方案為保留關鍵細節提供了更好的效能。
• 

Conclusion

• 具體地，對平滑影象的梯度，拉普拉斯運算元和對角線導數等偏導數進行加權和組合以詳細考慮邊緣屬性。
• 另外，為了降低計算成本，我們將平滑成本函式分離為預操作和更新的術語，用於所提出的方案的並行處理。 然後，在迭代操作之前處理預操作項，並且使用在GPU上的CUDA中實現的迭代方案來計算更新的項。