論文の概要: Raw Image Deblurring
- arxiv url: http://arxiv.org/abs/2012.04264v1
- Date: Tue, 8 Dec 2020 08:03:09 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-16 20:48:12.832819
- Title: Raw Image Deblurring
- Title(参考訳): 生画像デブラリング
- Authors: Chih-Hung Liang, Yu-An Chen, Yueh-Cheng Liu, Winston H. Hsu
- Abstract要約: RAW画像と処理されたsRGB画像の両方を含む新しいデータセットを構築し、RAW画像のユニークな特性を利用する新しいモデルを設計します。
RAW画像のみをトレーニングしたデブロアリングモデルは,最先端のパフォーマンスを実現し,処理されたsRGB画像上でのトレーニングよりも優れる。
- 参考スコア(独自算出の注目度): 24.525466412146358
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep learning-based blind image deblurring plays an essential role in solving
image blur since all existing kernels are limited in modeling the real world
blur. Thus far, researchers focus on powerful models to handle the deblurring
problem and achieve decent results. For this work, in a new aspect, we discover
the great opportunity for image enhancement (e.g., deblurring) directly from
RAW images and investigate novel neural network structures benefiting RAW-based
learning. However, to the best of our knowledge, there is no available RAW
image deblurring dataset. Therefore, we built a new dataset containing both RAW
images and processed sRGB images and design a new model to utilize the unique
characteristics of RAW images. The proposed deblurring model, trained solely
from RAW images, achieves the state-of-art performance and outweighs those
trained on processed sRGB images. Furthermore, with fine-tuning, the proposed
model, trained on our new dataset, can generalize to other sensors.
Additionally, by a series of experiments, we demonstrate that existing
deblurring models can also be improved by training on the RAW images in our new
dataset. Ultimately, we show a new venue for further opportunities based on the
devised novel raw-based deblurring method and the brand-new Deblur-RAW dataset.
- Abstract(参考訳): ディープラーニングベースのブラインドイメージデブラリングは、既存のカーネルはすべて、現実世界のぼかしのモデリングに制限があるため、画像のぼかしを解決する上で重要な役割を果たす。
これまでのところ、研究者は難解な問題に対処し、十分な結果を得るために強力なモデルに焦点を当てている。
この研究のために、新しい側面において、RAW画像から直接画像強化(例えば、デブロアリング)を行う大きな機会を発見し、RAWベースの学習に役立つ新しいニューラルネットワーク構造を調査する。
しかし、私たちの知る限りでは、RAW画像デブロアリングデータセットは利用できない。
そこで我々は,RAW画像と処理されたsRGB画像の両方を含む新しいデータセットを構築し,RAW画像の特徴を生かした新しいモデルを構築した。
RAW画像のみをトレーニングしたデブロアリングモデルは,最先端のパフォーマンスを実現し,処理されたsRGB画像のトレーニングに勝る。
さらに、微調整により、新しいデータセットに基づいてトレーニングされた提案モデルは、他のセンサーに一般化することができる。
さらに,一連の実験により,新たなデータセットの生画像のトレーニングにより,既存のデブラリングモデルも改善できることを実証した。
最終的に,新たに考案した生ベースデブラリング法と新しいデブラル-rawデータセットに基づき,さらなる機会を得るための新たな会場を提案する。
関連論文リスト
- BSRAW: Improving Blind RAW Image Super-Resolution [63.408484584265985]
RAW領域におけるブラインド画像の超解像化に取り組む。
生センサデータを用いたトレーニングモデルに特化した,現実的な劣化パイプラインを設計する。
私たちのパイプラインでトレーニングしたBSRAWモデルは、リアルタイムRAW画像をスケールアップし、品質を向上させることができます。
論文 参考訳(メタデータ) (2023-12-24T14:17:28Z) - Raw Image Reconstruction with Learned Compact Metadata [61.62454853089346]
本稿では,メタデータとしての潜在空間におけるコンパクトな表現をエンドツーエンドで学習するための新しいフレームワークを提案する。
提案する生画像圧縮方式は,グローバルな視点から重要な画像領域に適応的により多くのビットを割り当てることができることを示す。
論文 参考訳(メタデータ) (2023-02-25T05:29:45Z) - Efficient Visual Computing with Camera RAW Snapshots [41.9863557302409]
従来のカメラはセンサ上の画像光を捕捉し、画像信号プロセッサ(ISP)を用いてRGB画像に変換する。
RAW画像にはキャプチャされた全ての情報が含まれているため、ISPを用いたRAWからRGBへの変換はビジュアルコンピューティングには必要ないと論じることができる。
RAW画像を用いた高レベルセマンティック理解と低レベル圧縮を実現するための新しい$rho$-Visionフレームワークを提案する。
論文 参考訳(メタデータ) (2022-12-15T12:54:21Z) - Reversed Image Signal Processing and RAW Reconstruction. AIM 2022
Challenge Report [109.2135194765743]
本稿では,AIM 2022 Challenge on Reversed Image Signal Processing and RAW Reconstructionを紹介する。
我々は,メタデータを使わずにRGBから生のセンサイメージを回収し,ISP変換を「逆」することを目的としている。
論文 参考訳(メタデータ) (2022-10-20T10:43:53Z) - Model-Based Image Signal Processors via Learnable Dictionaries [6.766416093990318]
デジタルカメラは画像信号処理装置(ISP)を用いてRAW読み出しをRGB画像に変換する
近年のアプローチでは、RGBからRAWマッピングを推定することで、このギャップを埋めようとしている。
本稿では,学習可能かつ解釈可能なハイブリッド・モデルベースかつデータ駆動型ISPを提案する。
論文 参考訳(メタデータ) (2022-01-10T08:36:10Z) - Towards Low Light Enhancement with RAW Images [101.35754364753409]
我々は、低光強度でRAW画像を使用することの優位性について、最初のベンチマークを行う。
本研究では,RAW画像の特性を計測可能な因子に分解するFEM(Facterized Enhancement Model)を新たに開発した。
実アプリケーションにおけるRAW画像の利点と利用不可のトレードオフを生かしたREENet(RAW-guiding Exposure Enhancement Network)を開発した。
論文 参考訳(メタデータ) (2021-12-28T07:27:51Z) - Invertible Image Signal Processing [42.109752151834456]
InvISP(Invertible Image Signal Processing)パイプラインにより、視覚的に魅力的なsRGBイメージをレンダリングできます。
メモリのオーバーヘッドなしにsrgb画像から生データを合成する代わりに、リアルな生データを再構築できる。
論文 参考訳(メタデータ) (2021-03-28T06:30:15Z) - ISP Distillation [38.19032198060534]
オブジェクト認識やセマンティックセグメンテーションのような高レベルのマシンビジョンモデルは、画像がカメラによって標準的な画像空間に変換されると仮定する。
カメラISPは、マシンではなく、人間の観察者のために視覚的に喜ぶ画像を生成するために最適化されている。
オブジェクト分類とセマンティックセグメンテーションのためのRAW画像の性能は、ラベル付きRAW画像上で訓練されたモデルよりも著しく優れていることを示す。
論文 参考訳(メタデータ) (2021-01-25T16:12:24Z) - Deblurring by Realistic Blurring [110.54173799114785]
本稿では,BGAN(Learning-to-blurr GAN)とDBGAN(Learning-to-DeBlur GAN)の2つのモデルを組み合わせた新しい手法を提案する。
第1のモデルであるBGANは、未ペアのシャープでぼやけた画像セットでシャープな画像をぼやかす方法を学習し、第2のモデルであるDBGANをガイドして、そのような画像を正しくデブロアする方法を学ぶ。
さらなる貢献として,多様なぼやけた画像を含むRWBIデータセットについても紹介する。
論文 参考訳(メタデータ) (2020-04-04T05:25:15Z) - CycleISP: Real Image Restoration via Improved Data Synthesis [166.17296369600774]
本稿では,前向きと逆方向のカメラ画像パイプラインをモデル化するフレームワークを提案する。
リアルな合成データに基づいて新しい画像認識ネットワークをトレーニングすることにより、実際のカメラベンチマークデータセット上で最先端のパフォーマンスを実現する。
論文 参考訳(メタデータ) (2020-03-17T15:20:25Z)
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。