論文の概要: Clean Images are Hard to Reblur: A New Clue for Deblurring

• arxiv url: http://arxiv.org/abs/2104.12665v1
• Date: Mon, 26 Apr 2021 15:49:21 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-27 14:23:42.893430
• Title: Clean Images are Hard to Reblur: A New Clue for Deblurring
• Title（参考訳）: クリーンな画像は再現が難しい:デブラリングの新しい手掛かり
• Authors: Seungjun Nah, Sanghyun Son, Jaerin Lee, Kyoung Mu Lee
• Abstract要約: 画像のシャープ化のために,新しい低レベルの知覚損失を提案する。 画像のぼかしにフォーカスするために、除去されていない動きのぼかしを増幅するリブレーションモジュールを訓練します。 トレーニング段階における教師付き再ブラッシング損失は、デブロワー画像と基準シャープ画像との増幅されたぼかしを比較する。 推論段階での自己ブラリング損失は、デブラリング画像がまだ増幅すべきぼやけを含むかどうかを検査する。
• 参考スコア（独自算出の注目度）: 56.28655168605079
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The goal of dynamic scene deblurring is to remove the motion blur present in a given image. Most learning-based approaches implement their solutions by minimizing the L1 or L2 distance between the output and reference sharp image. Recent attempts improve the perceptual quality of the deblurred image by using features learned from visual recognition tasks. However, those features are originally designed to capture the high-level contexts rather than the low-level structures of the given image, such as blurriness. We propose a novel low-level perceptual loss to make image sharper. To better focus on image blurriness, we train a reblurring module amplifying the unremoved motion blur. Motivated that a well-deblurred clean image should contain zero-magnitude motion blur that is hard to be amplified, we design two types of reblurring loss functions. The supervised reblurring loss at training stage compares the amplified blur between the deblurred image and the reference sharp image. The self-supervised reblurring loss at inference stage inspects if the deblurred image still contains noticeable blur to be amplified. Our experimental results demonstrate the proposed reblurring losses improve the perceptual quality of the deblurred images in terms of NIQE and LPIPS scores as well as visual sharpness.
• Abstract（参考訳）: 動的シーンデブラリングの目標は、与えられた画像に存在する動きのぼやけを取り除くことである。 ほとんどの学習ベースのアプローチは、出力と参照シャープ画像の間のL1またはL2距離を最小化することで、ソリューションを実装している。 近年,視覚認識課題から得られた特徴を用いて画像の知覚品質を向上させる試みが行われている。 しかし、これらの特徴はもともと、ぼかしのような画像の低レベル構造ではなく、高レベルなコンテキストを捉えるように設計されている。 画像のシャープ化のために,新しい低レベルの知覚損失を提案する。 画像のぼやけにもっと焦点を合わせるために、削除されていない動きのぼやけを増幅するリブラリングモジュールを訓練する。 鮮明な画像は、増幅が難しいゼロマグニチュード運動のぼかしを含むべきであると仮定し、2種類の再生損失関数を設計する。 トレーニング段階における教師付き再ブラッシング損失は、デブロワー画像と基準シャープ画像との増幅されたぼかしを比較する。 推論段階での自己教師リブラリング損失は、デブラリング画像が増幅すべき目に見えるぼやけを含むかどうかを検査する。 NIQEとLPIPSのスコアと視覚的シャープネスの両面から,可視画像の知覚品質が向上することを示す実験結果を得た。

関連論文リスト

• Blur2Blur: Blur Conversion for Unsupervised Image Deblurring on Unknown Domains [19.573629029170128]
  本稿では,特定のカメラ装置に適した画像分解アルゴリズムを訓練するための革新的なフレームワークを提案する。 ぼやけた入力画像は、デブラーが難しいが、別のぼやけた画像に変換して、デブラーリングしやすくする。
  論文  参考訳（メタデータ） (2024-03-24T15:58:48Z)
• ID-Blau: Image Deblurring by Implicit Diffusion-based reBLurring AUgmentation [45.582704677784825]
  Inlicit Diffusion-based reBLurring AUgmentation (ID-Blau) を提案する。 多様なぼやけた条件をサンプリングすることで、ID-Blauはトレーニングセットに見えない様々なぼやけた画像を生成することができる。 以上の結果から,ID-Blauはリアルなぼやけた画像を生成することができ,最先端のデブロアリングモデルの性能を大幅に向上させることができることがわかった。
  論文  参考訳（メタデータ） (2023-12-18T07:47:43Z)
• Reference-based Motion Blur Removal: Learning to Utilize Sharpness in the Reference Image [29.52731707976695]
  典型的な設定は、近くのシャープ画像を用いて映像をビデオシーケンスでデバリングする。 本稿では,参照画像に存在する情報を利用するためのより良い手法を提案する。 本手法は, 単一画像のデブロアリング用に設計された既設ネットワークに組み込むことができる。
  論文  参考訳（メタデータ） (2023-07-06T09:24:55Z)
• Adaptive Window Pruning for Efficient Local Motion Deblurring [81.35217764881048]
  局所的な動きのぼかしは、露光中の移動物体と静止背景との混合により、実世界の写真で一般的に発生する。 既存の画像のデブロアリング手法は主にグローバルなデブロアリングに焦点を当てている。 本稿では,高解像度の局所的ぼやけた画像を適応的かつ効率的に復元することを目的とする。
  論文  参考訳（メタデータ） (2023-06-25T15:24:00Z)
• Invertible Network for Unpaired Low-light Image Enhancement [78.33382003460903]
  本稿では,非可逆的ネットワークを活用して,前処理における低照度画像の強化と,非対向学習により逆向きに通常の照度画像の劣化を図ることを提案する。 対向的損失に加えて、トレーニングの安定性を確保し、より詳細な画像を保存するために、様々な損失関数を設計する。 低照度画像に対するプログレッシブ自己誘導強調処理を提案し,SOTAに対して良好な性能を示す。
  論文  参考訳（メタデータ） (2021-12-24T17:00:54Z)
• Contrastive Feature Loss for Image Prediction [55.373404869092866]
  教師付き画像合成モデルのトレーニングでは、批評家は2つの画像を比較する必要がある。 本稿では,2つの画像間の類似度を測定するための情報理論に基づくアプローチを提案する。 この定式化により,L1損失の代替として,出力画像の知覚的リアリズムが向上することを示す。
  論文  参考訳（メタデータ） (2021-11-12T20:39:52Z)
• 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)
• 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。