論文の概要: Self-Adaptively Learning to Demoire from Focused and Defocused Image Pairs

• arxiv url: http://arxiv.org/abs/2011.02055v2
• Date: Thu, 5 Nov 2020 10:19:40 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-30 05:55:57.149313
• Title: Self-Adaptively Learning to Demoire from Focused and Defocused Image Pairs
• Title（参考訳）: 集中型・非集中型イメージペアによる自己適応学習
• Authors: Lin Liu, Shanxin Yuan, Jianzhuang Liu, Liping Bao, Gregory Slabaugh, Qi Tian
• Abstract要約: モアレアーティファクトはデジタル写真では一般的であり、高周波シーンコンテンツとカメラのカラーフィルタアレイとの干渉によるものである。 大規模反復で訓練された既存のディープラーニングに基づく復習手法は、様々な複雑なモアレパターンを扱う場合に限られる。 本稿では,高頻度画像の復調のための自己適応学習手法を提案する。
• 参考スコア（独自算出の注目度）: 97.67638106818613
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Moire artifacts are common in digital photography, resulting from the interference between high-frequency scene content and the color filter array of the camera. Existing deep learning-based demoireing methods trained on large scale datasets are limited in handling various complex moire patterns, and mainly focus on demoireing of photos taken of digital displays. Moreover, obtaining moire-free ground-truth in natural scenes is difficult but needed for training. In this paper, we propose a self-adaptive learning method for demoireing a high-frequency image, with the help of an additional defocused moire-free blur image. Given an image degraded with moire artifacts and a moire-free blur image, our network predicts a moire-free clean image and a blur kernel with a self-adaptive strategy that does not require an explicit training stage, instead performing test-time adaptation. Our model has two sub-networks and works iteratively. During each iteration, one sub-network takes the moire image as input, removing moire patterns and restoring image details, and the other sub-network estimates the blur kernel from the blur image. The two sub-networks are jointly optimized. Extensive experiments demonstrate that our method outperforms state-of-the-art methods and can produce high-quality demoired results. It can generalize well to the task of removing moire artifacts caused by display screens. In addition, we build a new moire dataset, including images with screen and texture moire artifacts. As far as we know, this is the first dataset with real texture moire patterns.
• Abstract（参考訳）: モワールのアーティファクトはデジタル写真では一般的であり、高周波シーンの内容とカメラの色フィルターアレイの干渉から生じる。 大規模データセットでトレーニングされた既存のディープラーニングベースのデモレーア手法は、複雑なモイアパターンの処理に制限があり、主にデジタルディスプレイで撮影された写真のデモレーアに重点を置いている。 また、自然界におけるモアレのない地道の獲得は困難であるが、訓練には必要である。 本稿では,高周波数画像の復調のための自己適応学習手法を提案する。 モアレのない画像とモアレのないぼかし画像で劣化した画像から,ネットワークはモアレのないクリーンイメージと,明示的なトレーニング段階を必要としない自己適応戦略を用いて,テスト時間適応を行う。 我々のモデルは2つのサブネットワークを持ち、反復的に動作する。 各イテレーションで、1つのサブネットワークがmoireイメージを入力として取り、moireパターンを削除し、画像詳細を復元し、もう1つのサブネットワークがぼかしイメージからぼやけカーネルを推定する。 2つのサブネットワークは共同で最適化されている。 広範な実験により,本手法は最先端の手法よりも優れており,高品質なデモ結果が得られることを示した。 ディスプレイ画面によって引き起こされるモアレのアーティファクトを除去するタスクを一般化することができる。 さらに,スクリーンやテクスチャのモアレアーティファクトを備えた画像を含む,新たなmoireデータセットを構築した。 私たちが知る限り、これは実際のテクスチャモアパターンを持つ最初のデータセットです。

関連論文リスト

• Learning Image Demoireing from Unpaired Real Data [55.273845966244714]
  本稿では,画像復号化の問題に対処することに焦点を当てる。 我々は,不適切な実データ,すなわち無関係なクリーンな画像に関連付けられたモアレ画像から復調モデルを学習しようと試みる。 そこで本研究では,復調モデルの学習に悪影響を及ぼすような,低品質な擬似モアレ像を除去する適応的 denoise 手法を提案する。
  論文  参考訳（メタデータ） (2024-01-05T09:26:35Z)
• Learning Subject-Aware Cropping by Outpainting Professional Photos [69.0772948657867]
  本稿では,高品質な主観的作物を生産する要因を,プロのストックイメージから学習するための弱教師付きアプローチを提案する。 私たちの洞察は、ストックイメージのライブラリと、最新のトレーニング済みのテキスト-画像拡散モデルを組み合わせることです。 我々は、収穫された無作為のトレーニングペアの大規模なデータセットを自動的に生成して、収穫モデルをトレーニングすることができる。
  論文  参考訳（メタデータ） (2023-12-19T11:57:54Z)
• Saliency Guided Contrastive Learning on Scene Images [71.07412958621052]
  我々は、学習中のモデルの出力から導かれるサリエンシマップを活用し、差別的な領域を強調し、対照的な学習全体をガイドする。 提案手法は,画像上の自己教師学習の性能を,画像の線形評価において+1.1,+4.3,+2.2の精度で向上させる。
  論文  参考訳（メタデータ） (2023-02-22T15:54:07Z)
• Unsupervised Learning of Monocular Depth and Ego-Motion Using Multiple Masks [14.82498499423046]
  本稿では,モノクロ映像からの複数のマスクを用いた深度・エゴモーションの教師なし学習手法を提案する。 深度推定ネットワークとエゴモーション推定ネットワークは、真理値のない深度とエゴモーションの制約に応じて訓練される。 KITTIデータセットの実験は、深度と自我運動の点で良好なパフォーマンスを達成していることを示す。
  論文  参考訳（メタデータ） (2021-04-01T12:29:23Z)
• Unsupervised Single-Image Reflection Separation Using Perceptual Deep Image Priors [6.333390830515411]
  単一画像のリフレクション分離のための新しい教師なしフレームワークを提案する。 対象画像上の2つのクロスカップリング深部畳み込みネットワークのパラメータを最適化し、2つの排他的背景層と反射層を生成する。 その結果,本手法は単一画像からの反射を除去するための文献において最も近い教師なし手法よりも優れていた。
  論文  参考訳（メタデータ） (2020-09-01T21:08:30Z)
• Wavelet-Based Dual-Branch Network for Image Demoireing [148.91145614517015]
  画像復調のための空間的注意機構を備えたウェーブレットベースのデュアルブランチネットワーク(WDNet)を設計する。 我々のネットワークはウェーブレット領域のモアレパターンを除去し、モアレパターンの周波数を画像の内容から分離する。 さらに,本手法の有効性を実証し,WDNetが非スクリーン画像上のモアレアーティファクトの除去を一般化することを示す。
  論文  参考訳（メタデータ） (2020-07-14T16:44:30Z)
• 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。