論文の概要: MFFW: A new dataset for multi-focus image fusion
- arxiv url: http://arxiv.org/abs/2002.04780v1
- Date: Wed, 12 Feb 2020 03:35:37 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-01 20:32:52.192912
- Title: MFFW: A new dataset for multi-focus image fusion
- Title（参考訳）: MFFW:マルチフォーカス画像融合のための新しいデータセット
- Authors: Shuang Xu and Xiaoli Wei and Chunxia Zhang and Junmin Liu and Jiangshe
Zhang
- Abstract要約: 本稿では、MFFW in the wild(MFFW)と呼ばれる新しいデータセットを構築する。
インターネット上で収集された19対のマルチフォーカス画像を含んでいる。
実験により、MFFWデータセットの最先端手法のほとんどは、良好な融合画像を生成することができないことが示された。
- 参考スコア（独自算出の注目度）: 24.91107749755963
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Multi-focus image fusion (MFF) is a fundamental task in the field of
computational photography. Current methods have achieved significant
performance improvement. It is found that current methods are evaluated on
simulated image sets or Lytro dataset. Recently, a growing number of
researchers pay attention to defocus spread effect, a phenomenon of real-world
multi-focus images. Nonetheless, defocus spread effect is not obvious in
simulated or Lytro datasets, where popular methods perform very similar. To
compare their performance on images with defocus spread effect, this paper
constructs a new dataset called MFF in the wild (MFFW). It contains 19 pairs of
multi-focus images collected on the Internet. We register all pairs of source
images, and provide focus maps and reference images for part of pairs. Compared
with Lytro dataset, images in MFFW significantly suffer from defocus spread
effect. In addition, the scenes of MFFW are more complex. The experiments
demonstrate that most state-of-the-art methods on MFFW dataset cannot robustly
generate satisfactory fusion images. MFFW can be a new baseline dataset to test
whether an MMF algorithm is able to deal with defocus spread effect.
- Abstract（参考訳）: MFF(Multi-focus Image fusion)は、計算写真の分野における基本的な課題である。
現在の手法は大幅な性能向上を達成している。
シミュレーション画像やLytroデータセットを用いて,現在の手法の評価を行った。
近年、現実のマルチフォーカス画像の現象であるデフォーカス拡散効果に注目する研究者が増えている。
それでも、デフォーカス拡散効果はシミュレーションやライトロのデータセットでは明らかではない。
画像上での性能とデフォーカス拡散効果を比較するために,MFF in the wild (MFFW)と呼ばれる新しいデータセットを構築した。
19対のマルチフォーカス画像がインターネットで収集されている。
ソースイメージのすべてのペアを登録し、フォーカスマップと参照イメージをペアの一部に提供します。
lytroデータセットと比較して、mffwの画像は分散効果の低下にかなり苦しむ。
加えて、mffwのシーンはより複雑である。
実験により, MFFWデータセット上の最先端手法のほとんどが, 良好な融合画像を生成することができないことが示された。
MFFWは、MMFアルゴリズムがデフォーカススプレッド効果に対処できるかどうかをテストするための新しいベースラインデータセットである。
関連論文リスト
- Diff-Mosaic: Augmenting Realistic Representations in Infrared Small Target Detection via Diffusion Prior [63.64088590653005]
本稿では拡散モデルに基づくデータ拡張手法であるDiff-Mosaicを提案する。
我々は,モザイク画像を高度に調整し,リアルな画像を生成するPixel-Priorという拡張ネットワークを導入する。
第2段階では,Diff-Prior という画像強調戦略を提案する。
論文 参考訳（メタデータ） (2024-06-02T06:23:05Z) - Enhance Image Classification via Inter-Class Image Mixup with Diffusion Model [80.61157097223058]
画像分類性能を高めるための一般的な戦略は、T2Iモデルによって生成された合成画像でトレーニングセットを増強することである。
本研究では,既存のデータ拡張技術の欠点について検討する。
Diff-Mixと呼ばれる革新的なクラス間データ拡張手法を導入する。
論文 参考訳（メタデータ） (2024-03-28T17:23:45Z) - Towards Real-World Focus Stacking with Deep Learning [97.34754533628322]
焦点ブラケットを用いた94個の高解像度原画像のバーストからなる新しいデータセットを提案する。
このデータセットは、現実世界のアプリケーションに十分な長さのバーストを処理できるフォーカススタックのための最初のディープラーニングアルゴリズムをトレーニングするために使用される。
論文 参考訳（メタデータ） (2023-11-29T17:49:33Z) - Bridging the Gap between Multi-focus and Multi-modal: A Focused
Integration Framework for Multi-modal Image Fusion [5.417493475406649]
MMIF(Multi-Modal Image fusion)は、異なるモダリティ画像からの貴重な情報を融合画像に統合する。
本稿では,協調型統合とモダリティ情報抽出のためのMMIFフレームワークを提案する。
提案アルゴリズムは、視覚知覚と定量的評価において最先端の手法を超越することができる。
論文 参考訳（メタデータ） (2023-11-03T12:58:39Z) - Improving Human-Object Interaction Detection via Virtual Image Learning [68.56682347374422]
人間-物体相互作用(Human-Object Interaction、HOI)は、人間と物体の相互作用を理解することを目的としている。
本稿では,仮想画像学習(Virtual Image Leaning, VIL)による不均衡分布の影響を軽減することを提案する。
ラベルからイメージへの新たなアプローチであるMultiple Steps Image Creation (MUSIC)が提案され、実際の画像と一貫した分布を持つ高品質なデータセットを作成する。
論文 参考訳（メタデータ） (2023-08-04T10:28:48Z) - MC-Blur: A Comprehensive Benchmark for Image Deblurring [127.6301230023318]
ほとんどの実世界の画像では、ブラーは動きやデフォーカスなど様々な要因によって引き起こされる。
我々は,MC-Blurと呼ばれる大規模マルチライク画像デブロアリングデータセットを新たに構築する。
MC-Blurデータセットに基づいて,異なるシナリオにおけるSOTA法の比較を行う。
論文 参考訳（メタデータ） (2021-12-01T02:10:42Z) - Towards Reducing Severe Defocus Spread Effects for Multi-Focus Image
Fusion via an Optimization Based Strategy [22.29205225281694]
マルチフォーカス画像融合(MFF)はオールインフォーカス画像を生成する一般的な技術である。
本稿では,デフォーカス拡散効果を低減するための最適化手法を提案する。
実世界データセット上で行った実験は,提案モデルの優位性を検証した。
論文 参考訳（メタデータ） (2020-12-29T09:26:41Z) - Real-MFF: A Large Realistic Multi-focus Image Dataset with Ground Truth [58.226535803985804]
我々はReal-MFFと呼ばれる大規模で現実的なマルチフォーカスデータセットを導入する。
データセットは、710対のソースイメージと対応する接地真理画像を含む。
このデータセット上で10の典型的なマルチフォーカスアルゴリズムを図示のために評価する。
論文 参考訳（メタデータ） (2020-03-28T12:33:46Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。