增强视觉 | 计算机视觉 增强现实

以上萝莉的微笑来自于SIGGRAPH 2009的文章Moving Gradients: A Path-Based Method for Plausible Image Interpolation。 阅读全文…

俗话有云：眼见为实。从computer vision的角度而言，大多数家伙考虑的是正向的问题：即如何通过图像感知实际内容。而computer graphics的家伙们往往喜欢做一些标新立异的逆向问题：如何根据需要感知的内容来修改图像。咱早些时候就贴过SIGGRAPH中一个有趣的例子（视错觉的盛宴）。这次，咱响应站长号召，来谈谈SIGGRAPH 2010中的两篇文章。

首先是Camouflage Images，你能在以下图片中找到老鹰么（请坚持至少30秒…嘿嘿）。
阅读全文…

在开始正文之前，咱首先得说明一下，这篇东西偏向于理论，各位看官可以自行跳过某些部分。这方面的工作奠基人同样也是compressive sensing的大牛之一E.J Candes（Donoho的得意门生），以及Candes的学生Ben Recht，前者刚从caltech被挖到stanford，后者目前刚到wisconsin做AP。Candes大牛，stanford统计系出生，师从Donoho。Candes原来的主要工作集中在小波分析上（实际上C牛非常多产），比如著名的curvelets以及ridgelets，04年左右开始和Tao合作从事compressive sensing的理论工作，这里有他的简要介绍。

继续唠叨，上回说到借着collaborative filtering的东风，矩阵的稀疏表示受到了广泛的关注。说到矩阵的稀疏性，大部分看官可能有所误解。这个矩阵稀疏表示严格而言可以分为两种：
1. 矩阵元素的稀疏性，即矩阵非0元个数相对较少。参照向量的范数，同样可以定义矩阵的0范数，并将其松弛到矩阵的1范数的优化问题。
2. 矩阵奇异值的稀疏性，即矩阵奇异值中非0元的个数（即矩阵的秩）相对较少。仿照向量情况下0范数与1范数的关系，同样可以将其松弛的到迹范数（trace norm）的优化问题。

阅读全文…

时间这快啊，又是一年儿童节了，于是给自己放假半天，也祝各位童心不泯。咱在网上逛啊逛啊，就发现了个有趣的东西。

一切都从梵高的starry nights开始

然后，我们就有了这个:

阅读全文…

稀疏表达是近年来SP, ML, PR, CV领域中的一大热点，文章可谓是普天盖地，令人目不暇给。老板某门课程的课程需要大纲，我顺道给扩展了下，就有了这个上中下三篇介绍性质的东西。遗憾的是，我在绝大多数情况下实在不算是一个勤快的人，这玩意可能充满bug，更新也可能断断续续，尽请诸位看官见谅了。顺道一提，ICCV09有一个相关的 tutorial 。

据传博文里公式数量和其人气是成反比例关系的，一个公式可以驱散50%的读者，我写完这个（上）之后点了点公式数量，觉得大约是要无人问津了。所以，在介绍稀疏表达之前，让我们先来展示下其在computer vision中的应用，吸引下眼球。

首先是图像恢复（以前有人贴过Obama还记得不），由左侧图像恢复出右侧结果

阅读全文…