論文の概要: Beyond Camera Motion Blur Removing: How to Handle Outliers in Deblurring

• arxiv url: http://arxiv.org/abs/2002.10201v3
• Date: Tue, 27 Apr 2021 06:55:28 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-29 04:32:59.476156
• Title: Beyond Camera Motion Blur Removing: How to Handle Outliers in Deblurring
• Title（参考訳）: カメラのモーションボケをなくす方法(動画)
• Authors: Meng Chang, Chenwei Yang, Huajun Feng, Zhihai Xu, Qi Li
• Abstract要約: シーンが飽和画素などの外れ値を持つ場合には、キャプチャされたぼやけた画像の復元がより困難になる。 まず,エッジ対応のスケール・リカレント・ネットワーク(EASRN)を提案する。 次に,トレーニングプロセスの監視とエッジ復元の制約を行うために,有能なエッジ検出ネットワークを提案する。
• 参考スコア（独自算出の注目度）: 14.244661742557899
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Camera motion deblurring is an important low-level vision task for achieving better imaging quality. When a scene has outliers such as saturated pixels, the captured blurred image becomes more difficult to restore. In this paper, we propose a novel method to handle camera motion blur with outliers. We first propose an edge-aware scale-recurrent network (EASRN) to conduct deblurring. EASRN has a separate deblurring module that removes blur at multiple scales and an upsampling module that fuses different input scales. Then a salient edge detection network is proposed to supervise the training process and constraint the edges restoration. By simulating camera motion and adding various light sources, we can generate blurred images with saturation cutoff. Using the proposed data generation method, our network can learn to deal with outliers effectively. We evaluate our method on public test datasets including the GoPro dataset, Kohler's dataset and Lai's dataset. Both objective evaluation indexes and subjective visualization show that our method results in better deblurring quality than other state-of-the-art approaches.
• Abstract（参考訳）: カメラのモーションデブラリングは、より優れた画像品質を達成するための重要な低レベルのビジョンタスクである。 シーンが飽和画素などの外れ値を持つ場合には、キャプチャされたぼやけた画像の復元がより困難になる。 本稿では,外乱を伴ってカメラの動きをぼかし処理する新しい手法を提案する。 まず,エッジ対応のスケール・リカレント・ネットワーク(EASRN)を提案する。 EASRNには、複数のスケールでぼやけを除去する別個のデブロアリングモジュールと、異なる入力スケールを融合するアップサンプリングモジュールがある。 次に,トレーニングプロセスの監視とエッジ復元の制約を行うために,有能なエッジ検出ネットワークを提案する。 カメラの動きをシミュレートし、様々な光源を追加することで、飽和カットオフでぼやけた画像を生成することができる。 提案したデータ生成手法により,ネットワークはアウトレーヤの処理を効果的に行うことができる。 我々は、goproデータセット、kohlerデータセット、laiデータセットを含む公開テストデータセットでこの手法を評価する。 客観的評価指標と主観的可視化のいずれにおいても,本手法は他の最先端手法よりも品質を劣化させる。

関連論文リスト

• Blur2Blur: Blur Conversion for Unsupervised Image Deblurring on Unknown Domains [19.573629029170128]
  本稿では,特定のカメラ装置に適した画像分解アルゴリズムを訓練するための革新的なフレームワークを提案する。 ぼやけた入力画像は、デブラーが難しいが、別のぼやけた画像に変換して、デブラーリングしやすくする。
  論文  参考訳（メタデータ） (2024-03-24T15:58:48Z)
• Enhancing Low-Light Images Using Infrared-Encoded Images [81.8710581927427]
  従来の芸術は、主にピクセルワイド・ロスを用いて可視光スペクトルで捉えた低照度画像に焦点を当てていた。 我々は,赤外線カットオフフィルタを除去することにより,低照度環境下で撮影された画像の可視性を高める新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-07-09T08:29:19Z)
• Deep Dynamic Scene Deblurring from Optical Flow [53.625999196063574]
  汚れは視覚的により快適な写真を提供し、写真がより便利になる。 非均一な曖昧さを数学的にモデル化することは困難である。 我々は,難解な特徴から鮮明な画像を復元する畳み込みニューラルネットワーク(CNN)を開発した。
  論文  参考訳（メタデータ） (2023-01-18T06:37:21Z)
• Improving Pixel-Level Contrastive Learning by Leveraging Exogenous Depth Information [7.561849435043042]
  近年,コントラスト学習(CL)に基づく自己指導型表現学習が注目されている。 本稿では,深度ネットワークを用いたり,利用可能なデータから測定したりすることで得られる深度情報に焦点を当てる。 比較損失におけるこの推定情報を用いることで、結果が改善され、学習された表現がオブジェクトの形状に従うのがよいことを示す。
  論文  参考訳（メタデータ） (2022-11-18T11:45:39Z)
• SVBR-NET: A Non-Blind Spatially Varying Defocus Blur Removal Network [2.4975981795360847]
  本稿では,空間的に異なるカーネルを扱える非盲検画像分解手法を提案する。 本稿では,2つのエンコーダ・デコーダサブネットワークを導入し,ぼやけた画像と推定したぼやけマップで処理する。 ネットワークは、既存のぼかし推定法によって生成されたぼかしマップをエミュレートするために拡張された、合成的にぼかしカーネルで訓練される。
  論文  参考訳（メタデータ） (2022-06-26T17:21:12Z)
• 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)
• Beyond Joint Demosaicking and Denoising: An Image Processing Pipeline for a Pixel-bin Image Sensor [0.883717274344425]
  Pixel binningは、スマートフォンカメラのハードウェア制限に対処する最も顕著なソリューションの1つだと考えられている。 本稿では,新しい学習手法を導入することで,このような画像センサ上でのJDD(Joint Desaicing and Denoising)の課題に対処する。 提案手法は,視覚可能な画像を生成するための2つの新しい知覚損失を含む多項目的関数によって導かれる。
  論文  参考訳（メタデータ） (2021-04-19T15:41:28Z)
• Data Augmentation for Object Detection via Differentiable Neural Rendering [71.00447761415388]
  注釈付きデータが乏しい場合、堅牢なオブジェクト検出器を訓練することは困難です。 この問題に対処する既存のアプローチには、ラベル付きデータからラベル付きデータを補間する半教師付き学習が含まれる。 オブジェクト検出のためのオフラインデータ拡張手法を導入し、新しいビューでトレーニングデータを意味的に補間する。
  論文  参考訳（メタデータ） (2021-03-04T06:31:06Z)
• High-Resolution Image Inpainting with Iterative Confidence Feedback and Guided Upsampling [122.06593036862611]
  既存の画像塗装法は、実アプリケーションで大きな穴を扱う際に、しばしばアーティファクトを生成する。 本稿では,フィードバック機構を備えた反復インペイント手法を提案する。 実験により,本手法は定量評価と定性評価の両方において既存手法よりも有意に優れていた。
  論文  参考訳（メタデータ） (2020-05-24T13:23:45Z)
• Self-Supervised Linear Motion Deblurring [112.75317069916579]
  深層畳み込みニューラルネットワークは、画像の劣化の最先端技術である。 本稿では,自己監督型動作遅延に対する識別可能なreblurモデルを提案する。 我々の実験は、自己監督された単一画像の劣化が本当に実現可能であることを実証した。
  論文  参考訳（メタデータ） (2020-02-10T20:15:21Z)

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。