論文の概要: Select Good Regions for Deblurring based on Convolutional Neural Networks

• arxiv url: http://arxiv.org/abs/2008.05065v1
• Date: Wed, 12 Aug 2020 01:58:35 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-31 05:24:01.535203
• Title: Select Good Regions for Deblurring based on Convolutional Neural Networks
• Title（参考訳）: 畳み込みニューラルネットワークに基づくディブルリングに適した領域の選択
• Authors: Hang Yang and Xiaotian Wu and Xinglong Sun
• Abstract要約: ブラインド画像の劣化の目的は、未知のぼかしカーネルで入力されたぼかし画像からシャープ画像を復元することである。 本稿では,良質な領域を選別してボケカーネルを推定するディープニューラルネットワークモデルを提案する。
• 参考スコア（独自算出の注目度）: 10.37527571696097
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The goal of blind image deblurring is to recover sharp image from one input blurred image with an unknown blur kernel. Most of image deblurring approaches focus on developing image priors, however, there is not enough attention to the influence of image details and structures on the blur kernel estimation. What is the useful image structure and how to choose a good deblurring region? In this work, we propose a deep neural network model method for selecting good regions to estimate blur kernel. First we construct image patches with labels and train a deep neural networks, then the learned model is applied to determine which region of the image is most suitable to deblur. Experimental results illustrate that the proposed approach is effective, and could be able to select good regions for image deblurring.
• Abstract（参考訳）: ブラインド画像の劣化の目的は、未知のぼかしカーネルで入力されたぼかし画像からシャープ画像を復元することである。 イメージデブラリングのアプローチのほとんどは、イメージプリエントの開発に焦点を当てているが、画像の詳細と構造がぼやけたカーネル推定に与える影響には十分な注意が払われていない。 有用なイメージ構造とよいデブラリング領域の選択方法は何か? 本研究では,ぼけカーネルの推定に適した領域を選択するディープニューラルネットワークモデル手法を提案する。 まず、ラベル付きイメージパッチを構築し、ディープニューラルネットワークをトレーニングし、学習モデルを適用して、画像のどの領域がデブラリングに最も適しているかを決定する。 実験の結果,提案手法は有効であり,画像デブラリングに適した領域を選択できることがわかった。

関連論文リスト

• Decoupled Mixup for Generalized Visual Recognition [71.13734761715472]
  視覚認識のためのCNNモデルを学習するための新しい「デカップリング・ミクスアップ」手法を提案する。 本手法は,各画像を識別領域と雑音発生領域に分離し,これらの領域を均一に組み合わせてCNNモデルを訓練する。 実験結果から,未知のコンテキストからなるデータに対する本手法の高一般化性能を示す。
  論文  参考訳（メタデータ） (2022-10-26T15:21:39Z)
• 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)
• Saliency map using features derived from spiking neural networks of primate visual cortex [0.0]
  生体視覚システムにインスパイアされた,デジタル画像の鮮度マップ作成のためのフレームワークを提案する。 これらの領域間の接続性をモデル化するために、スパイクニューラルネットワーク(SNN)シミュレータであるCARLsimライブラリを使用する。 CARLsimが生成したスパイクは抽出された特徴として機能し、私たちの唾液検出アルゴリズムに入力します。
  論文  参考訳（メタデータ） (2022-05-02T18:52:39Z)
• Sharp-GAN: Sharpness Loss Regularized GAN for Histopathology Image Synthesis [65.47507533905188]
  コンディショナル・ジェネレーショナル・ジェネレーティブ・逆境ネットワークは、合成病理像を生成するために応用されている。 そこで我々は,現実的な病理像を合成するために,シャープネスロス正則化生成対向ネットワークを提案する。
  論文  参考訳（メタデータ） (2021-10-27T18:54:25Z)
• BaMBNet: A Blur-aware Multi-branch Network for Defocus Deblurring [74.34263243089688]
  畳み込みニューラルネットワーク(CNN)は、デフォーカス劣化問題に導入され、大きな進歩を遂げた。 本研究では,異なる領域(ブラー量が異なる)を区別して扱う新しいマルチブランチネットワーク(BaMBNet)を設計する。 定量的および定性的な実験は、BaMBNetが最先端の手法より優れていることを示している。
  論文  参考訳（メタデータ） (2021-05-31T07:55:30Z)
• Enhancing Deep Neural Network Saliency Visualizations with Gradual Extrapolation [0.0]
  Grad-CAMやExcit Backpropagationのようなクラスアクティベーションマッピング手法の拡張手法を提案する。 我々のアイデアはGradual Extrapolationと呼ばれ、出力をシャープすることでヒートマップ画像を生成するメソッドを補うことができる。
  論文  参考訳（メタデータ） (2021-04-11T07:39:35Z)
• Depth image denoising using nuclear norm and learning graph model [107.51199787840066]
  グループベース画像復元法は,パッチ間の類似性収集に有効である。 各パッチに対して、検索ウィンドウ内で最もよく似たパッチを見つけ、グループ化する。 提案手法は, 主観的, 客観的両面において, 最先端の復調法よりも優れている。
  論文  参考訳（メタデータ） (2020-08-09T15:12:16Z)
• Blur Invariant Kernel-Adaptive Network for Single Image Blind deblurring [0.886014926770622]
  本稿では,ぼやけたカーネルに関する情報を利用する,新しい,目が見えない,シングルイメージのデブロアリング手法を提案する。 まず、ぼやけた画像の分析に基づいて、適応的なぼやけたカーネルを生成するカーネル推定ネットワークを導入する。 本稿では,推定したぼやけたカーネルを用いて,シャープな画像を復元するデブロワーリングネットワークを提案する。
  論文  参考訳（メタデータ） (2020-07-09T03:53:33Z)
• Neural Sparse Representation for Image Restoration [116.72107034624344]
  スパース符号化に基づく画像復元モデルの堅牢性と効率に触発され,深部ネットワークにおけるニューロンの空間性について検討した。 本手法は,隠れたニューロンに対する空間的制約を構造的に強制する。 実験により、複数の画像復元タスクのためのディープニューラルネットワークではスパース表現が不可欠であることが示されている。
  論文  参考訳（メタデータ） (2020-06-08T05:15:17Z)
• Attentive CutMix: An Enhanced Data Augmentation Approach for Deep Learning Based Image Classification [58.20132466198622]
  そこで我々は,CutMixに基づく自然拡張拡張戦略であるAttentive CutMixを提案する。 各トレーニングイテレーションにおいて、特徴抽出器から中間注意マップに基づいて最も記述性の高い領域を選択する。 提案手法は単純かつ有効であり,実装が容易であり,ベースラインを大幅に向上させることができる。
  論文  参考訳（メタデータ） (2020-03-29T15:01:05Z)

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。