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

• Towards RAW Object Detection in Diverse Conditions [65.30190654593842]
  62のカテゴリにまたがる135,601のアノテーション付きインスタンスを備えた7,785の高分解能実RAW画像を提供するAODRawデータセットを紹介した。 sRGB と RAW の領域ギャップにより RAW オブジェクト検出の可能性は sRGB と RAW との事前学習によって制限されることがわかった。 我々は,RAW事前学習を支援するために,SRGBドメインで事前学習した市販のモデルから知識を抽出する。
  論文  参考訳（メタデータ） (2024-11-24T01:23:04Z)
• RAW-Diffusion: RGB-Guided Diffusion Models for High-Fidelity RAW Image Generation [4.625376287612609]
  RGB画像でガイドされたRAW画像を生成するための新しい拡散法を提案する。 このアプローチは高忠実度RAW画像を生成し、カメラ固有のRAWデータセットの作成を可能にする。 提案手法を拡張してBDD100K-RAWとCityscapes-RAWデータセットを作成し,RAW画像におけるオブジェクト検出の有効性を明らかにする。
  論文  参考訳（メタデータ） (2024-11-20T09:40:12Z)
• Unveiling Hidden Details: A RAW Data-Enhanced Paradigm for Real-World Super-Resolution [56.98910228239627]
  リアル・ワールド・イメージ・スーパーレゾリューション(Real SR)は、低解像度(LR)画像から高忠実でディテールに富んだ高解像度(HR)画像を生成することを目的としている。 既存のReal SRメソッドは主にLR RGBドメインから詳細を生成することに重点を置いており、しばしば細部における豊かさや忠実さの欠如につながっている。 RAWデータに隠された詳細を用いて既存のRGBのみの手法を補完し、優れた出力を得る。
  論文  参考訳（メタデータ） (2024-11-16T13:29:50Z)
• Toward Efficient Deep Blind RAW Image Restoration [56.41827271721955]
  我々は、深部ブラインドRAW復元モデルをトレーニングするための、新しい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は、リアルなセンサーノイズ、動きのぼかし、カメラの揺れ、その他の一般的な劣化について検討しています。 パイプラインと複数のセンサーのデータで訓練されたモデルは、ノイズとぼやけをうまく低減し、異なるカメラから撮影されたRAW画像の細部を復元する。
  論文  参考訳（メタデータ） (2024-09-26T18:34:37Z)
• A Learnable Color Correction Matrix for RAW Reconstruction [19.394856071610604]
  複雑な逆画像信号処理装置(ISP)を近似する学習可能な色補正行列(CCM)を導入する。 実験結果から,本手法で生成したRAW(simRAW)画像は,より複雑な逆ISP法で生成した画像と同等の性能向上が得られた。
  論文  参考訳（メタデータ） (2024-09-04T07:46:42Z)
• 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)
• 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)

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。