LARK

LARK : Locally Adaptive Regression Kernels

回顾之前的算法：

1.BL

Sensitive to

1. noise
2. variation in illumination

2.NLM

Smoothing effect, more robust,
but still quite sensitive

More effective ways to combine the two Δs

• LARK Kernel
• Beltrami Kernel

1.离散到非参数内核回归

Z 也有一种离散的意思。

可以看出y是离散的，现在还不确定Z的具体形式。

2.Locality in Kernel Regression
还是这个模型：

泰勒级数展开：

现在需要估计第一个βo.

3.Optimization Problem

对每一个y进行展开：

优化目标：使得误差最小.

采样后的结果：

图片.png

4.Locally Linear/Nonlinear Estimators

By choosing a data‐adaptive kernel(BL,NLM,LARK), the filters become nonlinear.

总之：之前只与x有关，现在多了Y

铺垫了这么久......

LARK Kernels

Locally Adaptive Regression Kernel: LARK

公式与图对照看就可以理解了，Cl是通过离散的Xk求得。

梯度协方差矩阵和局部几何

实验结果比较：

Robustness of LARK Descriptors

对于以上三种失真结果都没有多大变化。