xkor_gaussian — 2D `smoothing` op

• Data kinds: image → image

• Call: fullseye.apply(img, "xkor_gaussian", a=0.5, b=0.5) (2-D model = एक image + दो scalar knobs a,b∈[0,1])

• GPU: नहीं (केवल CPU reference implementation)

xkor_gaussian: input → output

*Figure synthetic 128×128 input पर सच में चलाकर मिला output है। बाईं ओर input, दाईं ओर output। Point clouds ऊपर से देखे गए scatter के रूप में (brightness = z), 1-D series line के रूप में, volumes z दिशा में maximum-intensity projection के रूप में, videos बीच के frame के रूप में, complex images amplitude के रूप में, और जो return values चित्र नहीं बन सकते वे स्वयं values के रूप में दिखाए जाते हैं।*

Knob a को बदलकर (0.1 / 0.5 / 0.9, दूसरा knob default पर):

▸ xkor_gaussian: knob a को बदलने का figure (docs site)

*Knob b output नहीं बदलता (मापा गया: 0.1 / 0.5 / 0.9 पर एक जैसा)।*

दूसरी images पर भी (synthetic scene / photo / coins। ऊपर की row में inputs, नीचे की row में उनके outputs। Knobs default पर):

▸ xkor_gaussian: दूसरी images पर output (docs site)

*चौथा column colour (H,W,3) input है। यह op channels को पार किए बिना colour संभालता है (colour channel को तीसरे spatial axis की तरह convolve नहीं करता)।*

उपयोग

Gaussian blur (kornia का GPU-native implementation)। torch tensor पर sigma के अनुसार window के साथ kornia.filters.gaussian_blur2d लगाता है।

a sigma को 0.3–3.0 की range में चलाता है (0.3 + 2.7 * a, core gaussian / cv_gaussian जैसी ही mapping)। b इस्तेमाल नहीं होता। Window की radius int(4σ + 0.5) है (scipy के gaussian_filter के default truncate=4.0 जैसी), और border किनारे के pixel समेत mirror होता है (scipy का reflect = numpy का symmetric, b <= 0.5 वाले core gaussian जैसा)। यह core gaussian(v, a, 0.5) से float32 rounding (~1e-7) तक मेल खाता है (tools/impl_differential.py, tests/test_impl_differential.py)।

★2026-11-03 का सुधार (values बदलते हैं): पहले window 5x5 पर स्थिर थी, इसलिए σ = 1.65 (a = 0.5) पर भी radius 2 = 1.2σ पर कट जाता था और σ बढ़ाने से blur बस 5x5 box की ओर जाता था (core gaussian से भीतरी अंतर: a = 0.5 पर value range का 9 %, a = 0.75 पर 28 %)। CPU पर यह scipy version से तेज़ नहीं है (GPU / batch में फ़ायदा देता है; IMGEVOLVE_KORNIA_DEVICE=cuda से GPU पर चलता है)।

उसी operation के दूसरे implementation (मापा गया; docs/IMPL_DIFFERENTIAL.md): एक ही input और एक ही a, b पर भीतरी अंतर (value range के अनुपात में; 5e-3 से कम = मेल) cv_gaussian 7.3e-05, gaussian 3.8e-07 है। जो मेल नहीं खाते उनका कारण (knob mapping, window, border, quantisation, अलग परिभाषा) table में लिखा है।

उपयोग की विस्तृत guide

• gallery2d_smoothing_rank family guide

संदर्भ (sample data, साहित्य)

• Sample data catalog (DL URL / license) — 2-D के लिए skimage.data (BSD/public) + synthetic, 3-D के लिए real data sources (Stanford/PDS आदि) के DL URL।

• Operators का स्रोत और संदर्भ — इस op family के मूल research/methods के स्रोत।

• Algorithm का मानक स्रोत (लेखक, वर्ष) और उपयोग ऊपर की family usage guide में दिए गए हैं।

Studio में आज़माएँ

नीचे का program सच में चलता है, यह जाँचा गया है (figure वाला ही input)। Studio की help में यह block buttons बन जाता है, जिनसे इसे वहीं load करके चलाया जा सकता है।