基于第一原理的图像配准和超分辨率
摘要：图像配准是推断与噪声和畸变图像相关的转换的方法。它在计算机视觉、实验物理和医学成像中具有基础作用。存在许多算法和分析，用于推断图像坐标之间的平移、旋转和非线性变换。然而，即使在最简单的平移情况下，所有已知算法都存在偏差，并且没有达到Cramer Rao界限（CRB）的精度极限。遵循贝叶斯推理，我们证明了将一幅图像移动以匹配另一幅图像的标准方法无法达到CRB。我们展示了如果使用超级配准（Super Registration）：学习一个最优模型来匹配基础图像并进行平移，可以纠正偏差并达到CRB。我们的理论表明，对过采样图像进行粗粒化可以改善标准方法的配准精度。对于过采样数据，我们的方法在肉眼观察下没有显著改进。然而，在这些情况下，我们展示了我们的新配准方法可以在可提取信息方面带来显著改进，例如，推断出更精确的粒子位置（精度提高10倍）。
作者：Colin B. Clement, Matthew Bierbaum, James P. Sethna
论文ID：1809.05583
分类：Data Analysis, Statistics and Probability
分类简称：physics.data-an
提交时间：2019-02-21