論文の概要: Depth-aware Blending of Smoothed Images for Bokeh Effect Generation

• arxiv url: http://arxiv.org/abs/2005.14214v1
• Date: Thu, 28 May 2020 18:11:05 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-27 04:44:25.929339
• Title: Depth-aware Blending of Smoothed Images for Bokeh Effect Generation
• Title（参考訳）: ボケ効果発生のためのスムース画像の深さ認識ブレンディング
• Authors: Saikat Dutta
• Abstract要約: 本稿では,画像から高品質なボケ効果を生成するために,エンドツーエンドのディープラーニングフレームワークを提案する。 ネットワークは軽量で、HD画像を0.03秒で処理できる。 このアプローチは、AIM 2019 Bokeh effect Challenge-Perceptual Trackで2位にランクインした。
• 参考スコア（独自算出の注目度）: 10.790210744021072
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Bokeh effect is used in photography to capture images where the closer objects look sharp and every-thing else stays out-of-focus. Bokeh photos are generally captured using Single Lens Reflex cameras using shallow depth-of-field. Most of the modern smartphones can take bokeh images by leveraging dual rear cameras or a good auto-focus hardware. However, for smartphones with single-rear camera without a good auto-focus hardware, we have to rely on software to generate bokeh images. This kind of system is also useful to generate bokeh effect in already captured images. In this paper, an end-to-end deep learning framework is proposed to generate high-quality bokeh effect from images. The original image and different versions of smoothed images are blended to generate Bokeh effect with the help of a monocular depth estimation network. The proposed approach is compared against a saliency detection based baseline and a number of approaches proposed in AIM 2019 Challenge on Bokeh Effect Synthesis. Extensive experiments are shown in order to understand different parts of the proposed algorithm. The network is lightweight and can process an HD image in 0.03 seconds. This approach ranked second in AIM 2019 Bokeh effect challenge-Perceptual Track.
• Abstract（参考訳）: ボケ効果は、近くにある物体が鋭く見え、他の物体がすべて焦点外にある画像の撮影に使用される。 ボケ写真は通常、浅い深度を使ってシングルレンズ反射カメラで撮影される。 現代のスマートフォンのほとんどが、デュアルリアカメラやオートフォーカスのハードウェアを利用してボケ画像を撮ることができる。 しかし、オートフォーカスハードウェアのない単眼カメラを持つスマートフォンでは、bokehイメージを生成するのにソフトウェアを頼らなければならない。 この種のシステムは、既に撮影された画像にボケ効果をもたらすのにも有用である。 本稿では,画像から高品質なボケ効果を生成するために,エンドツーエンドのディープラーニングフレームワークを提案する。 元の画像と異なるバージョンの平滑化画像とをブレンドし、単眼深度推定ネットワークの助けを借りてボケ効果を生成する。 提案手法は,saliency detection based base と aim 2019 challenge on bokeh effect synthesis で提案されたいくつかのアプローチと比較した。 提案アルゴリズムの異なる部分を理解するために,広範な実験を行った。 ネットワークは軽量で、HD画像を0.03秒で処理できる。 このアプローチは、AIM 2019 Bokeh effect Challenge-Perceptual Trackで2位にランクインした。

関連論文リスト

• Variable Aperture Bokeh Rendering via Customized Focal Plane Guidance [18.390543681127976]
  提案手法は,主流のボケモデルよりもはるかに軽量な4.4Mパラメータで,最先端の競合性能を実現している。 提案手法は,主流のボケモデルよりもはるかに軽量な4.4Mパラメータで,最先端の競合性能を実現している。
  論文  参考訳（メタデータ） (2024-10-18T12:04:23Z)
• BokehOrNot: Transforming Bokeh Effect with Image Transformer and Lens Metadata Embedding [2.3784282912975345]
  Bokeh効果(ボケエフェクト、英: Bokeh effect)は、広角レンズを備えたハイエンドカメラが生み出す、快適な視覚体験を提供する光学現象である。 本稿では,このモデルにレンズメタデータを埋め込み,アルファマスクを用いた損失計算手法を提案する。 以上の手法に基づいて,ブラープ・トゥ・シャープとシャープ・トゥ・ブルーのボケ効果を両立できるボケオルノットモデルを提案する。
  論文  参考訳（メタデータ） (2023-06-06T21:49:56Z)
• Realistic Bokeh Effect Rendering on Mobile GPUs, Mobile AI & AIM 2022 challenge: Report [75.79829464552311]
  この課題は、最新のスマートフォンモデルで実行できる効率的なエンドツーエンドのAIベースのレンダリングアプローチを開発することだった。 得られたモデルはKirin 9000のMali GPUで評価され、多くのディープラーニングオプティマスに対して優れた加速結果が得られた。
  論文  参考訳（メタデータ） (2022-11-07T22:42:02Z)
• Bokeh-Loss GAN: Multi-Stage Adversarial Training for Realistic Edge-Aware Bokeh [3.8811606213997587]
  我々は単分子ボケ合成の問題に取り組み、単一のオールインフォーカス画像から被写界画像の浅い深さを描画しようと試みる。 DSLRカメラとは異なり、この効果は移動体開口の物理的制約のため、移動体カメラでは直接キャプチャできない。 本稿では,単一の画像入力から現実的なモノクロボケをレンダリングできるネットワークベースのアプローチを提案する。
  論文  参考訳（メタデータ） (2022-08-25T20:57:07Z)
• Multi-View Motion Synthesis via Applying Rotated Dual-Pixel Blur Kernels [48.063176079878055]
  ポートレートモードで撮影された画像に適用される主な効果の1つは、合成浅層深度(DoF)である。 本研究は, ポートレートモードにおけるぼやけた合成手順の変更を導入することで, NIMAT効果のレンダリングの傾向を追究するものである。 我々の修正により、回転するぼやけたカーネルを適用して、単一の画像から多視点ボケを高品質に合成することができる。
  論文  参考訳（メタデータ） (2021-11-15T15:23:55Z)
• Single image deep defocus estimation and its applications [82.93345261434943]
  画像パッチを20レベルの曖昧さの1つに分類するために、ディープニューラルネットワークをトレーニングします。 トレーニングされたモデルは、反復重み付きガイドフィルタを適用して改善するパッチのぼかしを決定するために使用される。 その結果、デフォーカスマップは各ピクセルのぼやけた度合いの情報を運ぶ。
  論文  参考訳（メタデータ） (2021-07-30T06:18:16Z)
• AIM 2020 Challenge on Rendering Realistic Bokeh [95.87775182820518]
  本稿では,第2回AIM現実ボケ効果レンダリングチャレンジをレビューする。 目標は、大規模なESB! bokehデータセットを使用して、現実的な浅いフォーカステクニックを学ぶことだった。 参加者は、他のカメラやセンサーからの追加データなしで、単一のフレームのみに基づいてボケ効果をレンダリングしなければならなかった。
  論文  参考訳（メタデータ） (2020-11-10T09:15:38Z)
• BGGAN: Bokeh-Glass Generative Adversarial Network for Rendering Realistic Bokeh [19.752904494597328]
  本稿では,複雑なハードウェアに依存しないボケ画像を生成するGlass-Netという新しいジェネレータを提案する。 実験の結果,この方法は高品質なボケ効果を示し,全スマートフォンチップセットで1.9秒で1,1024倍の1536$の画像を処理可能であることがわかった。
  論文  参考訳（メタデータ） (2020-11-04T11:56:34Z)
• Defocus Blur Detection via Depth Distillation [64.78779830554731]
  初めてDBDに深度情報を導入します。 より詳しくは, 地底の真理と, 十分に訓練された深度推定ネットワークから抽出した深度から, デフォーカスのぼかしを学習する。 我々の手法は、2つの一般的なデータセット上で11の最先端の手法より優れています。
  論文  参考訳（メタデータ） (2020-07-16T04:58:09Z)
• Rendering Natural Camera Bokeh Effect with Deep Learning [95.86933125733673]
  ボケ(Bokeh)は、写真に焦点をあてる重要な芸術効果である。 モバイルカメラは、光学の直径が非常に小さいため、被写界深度が浅い写真を作ることができない。 本稿では,デジタル一眼レフカメラで撮影された写真から直接,現実的な浅層焦点技術を学ぶことを提案する。
  論文  参考訳（メタデータ） (2020-06-10T07:28:06Z)

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。