論文の概要: Attention! Stay Focus!
- arxiv url: http://arxiv.org/abs/2104.07925v1
- Date: Fri, 16 Apr 2021 07:04:51 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-20 00:20:42.256206
- Title: Attention! Stay Focus!
- Title（参考訳）: 注意!
集中しろ!
- Authors: Tu Vo
- Abstract要約: デュアルピクセル画像を用いたデフォーカスによるぼやけたアーティファクトに対処するために,深い畳み込みニューラルネットワークを開発した。
具体的には,注意エンコーダ,トリプルローカル,グローバルローカルモジュールからなるダブルアテンションネットワークを開発した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We develop a deep convolutional neural networks(CNNs) to deal with the blurry
artifacts caused by the defocus of the camera using dual-pixel images.
Specifically, we develop a double attention network which consists of
attentional encoders, triple locals and global local modules to effectively
extract useful information from each image in the dual-pixels and select the
useful information from each image and synthesize the final output image. We
demonstrate the effectiveness of the proposed deblurring algorithm in terms of
both qualitative and quantitative aspects by evaluating on the test set in the
NTIRE 2021 Defocus Deblurring using Dual-pixel Images Challenge. The code, and
trained models are available at https://github.com/tuvovan/ATTSF.
- Abstract（参考訳）: 我々は,デュアルピクセル画像を用いたカメラのデフォーカスによるぼやけたアーティファクトに対処するために,深層畳み込みニューラルネットワーク(cnns)を開発した。
具体的には,注意エンコーダ,トリプルローカル,グローバルローカルモジュールからなるダブルアテンションネットワークを開発し,デュアルピクセル内の各画像から有用な情報を効果的に抽出し,各画像から有用な情報を選択し,最終的な出力画像を合成する。
NTIRE 2021 Defocus Deblurringにおける2画素画像チャレンジを用いたテストセットの評価により,定性的,定量的両面の観点から,提案手法の有効性を示す。
コードはhttps://github.com/tuvovan/ATTSFで公開されている。
関連論文リスト
- Learning 1D Causal Visual Representation with De-focus Attention Networks [108.72931590504406]
本稿では,1次元因果モデルを用いた画像表現の実現可能性について検討する。
本稿では,学習可能な帯域通過フィルタを用いて様々な注意パターンを生成するDe-focus Attention Networksを提案する。
論文 参考訳（メタデータ） (2024-06-06T17:59:56Z) - Towards Real-World Focus Stacking with Deep Learning [97.34754533628322]
焦点ブラケットを用いた94個の高解像度原画像のバーストからなる新しいデータセットを提案する。
このデータセットは、現実世界のアプリケーションに十分な長さのバーストを処理できるフォーカススタックのための最初のディープラーニングアルゴリズムをトレーニングするために使用される。
論文 参考訳（メタデータ） (2023-11-29T17:49:33Z) - Learning Depth from Focus in the Wild [16.27391171541217]
単一焦点スタックからの畳み込みニューラルネットワークによる深度推定を提案する。
本手法では,画像アライメントにおいても,奥行きマップをエンドツーエンドで推定することができる。
提案するネットワークの一般化のために,商用カメラの特徴を現実的に再現するシミュレータを開発した。
論文 参考訳（メタデータ） (2022-07-20T05:23:29Z) - Learning Enriched Features for Fast Image Restoration and Enhancement [166.17296369600774]
本稿では,ネットワーク全体を通して空間的精度の高い高解像度表現を維持することを目的とする。
我々は、高解像度の空間的詳細を同時に保存しながら、複数のスケールからの文脈情報を組み合わせた豊富な特徴集合を学習する。
提案手法は,デフォーカス・デブロアリング,画像デノイング,超解像,画像強調など,さまざまな画像処理タスクに対して,最先端の処理結果を実現する。
論文 参考訳（メタデータ） (2022-04-19T17:59:45Z) - Learning to Deblur using Light Field Generated and Real Defocus Images [4.926805108788465]
デフォーカス・デブロワーリングは、デフォーカス・ボケの性質が空間的に変化するため、困難な作業である。
本稿では,光の強度を活用し,光源の欠点を克服する新しいディープデフォーカス・デブロアリング・ネットワークを提案する。
論文 参考訳（メタデータ） (2022-04-01T11:35:51Z) - Defocus Map Estimation and Deblurring from a Single Dual-Pixel Image [54.10957300181677]
本稿では,1枚のデュアルピクセルイメージを入力として,画像のデフォーカスマップを同時に推定する手法を提案する。
本手法は,デフォーカスマップ推定とぼかし除去の両方において,教師なしでも事前作業を改善する。
論文 参考訳（メタデータ） (2021-10-12T00:09:07Z) - 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) - Inertial Sensor Data To Image Encoding For Human Action Recognition [0.0]
畳み込みニューラルネットワーク(CNN)は、コンピュータビジョンの分野で成功したディープラーニングモデルである。
本稿では,慣性センサデータから活動画像への変換に4種類の空間領域法を用いる。
マルチモーダル・フュージョン・フレームワークを構築するために,2つの空間領域フィルタを結合して各種類のアクティビティ・イメージをマルチモーダル化した。
論文 参考訳（メタデータ） (2021-05-28T01:22:52Z) - 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) - Defocus Deblurring Using Dual-Pixel Data [41.201653787083735]
デフォーカスのぼかしは、広い開口部の使用により被写界深度が浅い画像に現れる。
最新のカメラで検出されるデュアルピクセル(DP)センサで利用可能なデータを活用する,効果的なデフォーカスデブロリング手法を提案する。
論文 参考訳（メタデータ） (2020-05-01T10:38:00Z)
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。