論文の概要: A Deep Variational Bayesian Framework for Blind Image Deblurring

• arxiv url: http://arxiv.org/abs/2106.02884v1
• Date: Sat, 5 Jun 2021 12:47:36 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-14 03:44:23.492981
• Title: A Deep Variational Bayesian Framework for Blind Image Deblurring
• Title（参考訳）: ブラインド画像デブラリングのための奥行き変動ベイズフレームワーク
• Authors: Hui Wang, Zongsheng Yue, Qian Zhao, Deyu Meng
• Abstract要約: ブラインド画像の劣化は、低レベルの視覚において重要な問題であるが、非常に難しい問題である。 視覚障害者のための深い変分ベイズ的枠組みを提案する。
• 参考スコア（独自算出の注目度）: 46.585763459441154
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Blind image deblurring is an important yet very challenging problem in low-level vision. Traditional optimization based methods generally formulate this task as a maximum-a-posteriori estimation or variational inference problem, whose performance highly relies on the handcraft priors for both the latent image and the blur kernel. In contrast, recent deep learning methods generally learn, from a large collection of training images, deep neural networks (DNNs) directly mapping the blurry image to the clean one or to the blur kernel, paying less attention to the physical degradation process of the blurry image. In this paper, we present a deep variational Bayesian framework for blind image deblurring. Under this framework, the posterior of the latent clean image and blur kernel can be jointly estimated in an amortized inference fashion with DNNs, and the involved inference DNNs can be trained by fully considering the physical blur model, together with the supervision of data driven priors for the clean image and blur kernel, which is naturally led to by the evidence lower bound objective. Comprehensive experiments are conducted to substantiate the effectiveness of the proposed framework. The results show that it can not only achieve a promising performance with relatively simple networks, but also enhance the performance of existing DNNs for deblurring.
• Abstract（参考訳）: ブラインド画像のデブラリングは、低レベルのビジョンにおいて非常に難しい問題である。 従来の最適化に基づく手法では、一般にこのタスクを最大位置推定または変分推論問題として定式化しており、その性能は潜像とぼやけたカーネルの両方のハンドクラフト先行に大きく依存している。 対照的に、最近のディープラーニング手法は、訓練画像の大規模なコレクションから、ぼやけた画像を直接クリーンなものまたはぼやけたカーネルにマッピングするディープニューラルネットワーク(DNN)を直接学習し、ぼやけた画像の物理的劣化プロセスにはあまり注意を払わない。 本稿では,ブラインド画像の劣化に対する深い変分ベイズ的枠組みを提案する。 この枠組みの下では、潜在クリーンイメージとぼかしカーネルの後部を、DNNと償却推論方式で共同で推定することができ、関連する推論DNNは、物理的ぼかしモデルを完全に考慮し、クリーンイメージとぼかしカーネルのデータ駆動前の監督とともに訓練することができる。 提案手法の有効性を実証するための総合的な実験を行った。 その結果、比較的単純なネットワークで有望な性能を達成するだけでなく、既存のDNNの性能を向上させることができることがわかった。

関連論文リスト

• NSD-DIL: Null-Shot Deblurring Using Deep Identity Learning [0.02932486408310998]
  本稿では,線形システムの特性に基づいた専用正規化項を含む新しい学習戦略であるDeep Identity Learning (DIL)を紹介する。 画像データに依存しないため、我々はDeep Identity Learning (NSD-DIL)を用いてNull-Shot deblurringと呼ぶ。 実験の結果,提案手法は従来の学習法と深層学習法の両方に優れていた。
  論文  参考訳（メタデータ） (2024-07-05T18:56:31Z)
• Blind Motion Deblurring with Pixel-Wise Kernel Estimation via Kernel Prediction Networks [0.0]
  本研究では,高密度な非一様動きのぼかし推定に基づく学習に基づく動きのぼかし手法を提案する。 我々は、畳み込みに基づく、一様でない運動ぼかし劣化モデルに基づいて合成されたシャープ/ブルーのペアでネットワークを訓練する。
  論文  参考訳（メタデータ） (2023-08-05T20:23:13Z)
• Deep Dynamic Scene Deblurring from Optical Flow [53.625999196063574]
  汚れは視覚的により快適な写真を提供し、写真がより便利になる。 非均一な曖昧さを数学的にモデル化することは困難である。 我々は,難解な特徴から鮮明な画像を復元する畳み込みニューラルネットワーク(CNN)を開発した。
  論文  参考訳（メタデータ） (2023-01-18T06:37:21Z)
• Uncertainty-Aware Unsupervised Image Deblurring with Deep Residual Prior [23.417096880297702]
  非ブラインドデブロワー法は、正確なぼやけたカーネル仮定の下で良好な性能を達成する。 ドメイン知識を取り入れた手作りの事前処理は、一般的によく機能するが、カーネル(または誘導)エラーが複雑である場合には性能が低下する可能性がある。 トレーニングデータの多様性と多さに過度に依存するデータ駆動事前は、アウト・オブ・ディストリビューションの曖昧さやイメージに対して脆弱である。 本稿では,ぼやけた画像から潜像を復元し,不正確なぼやけたカーネルを復元する,教師なしセミブレンドデブロアリングモデルを提案する。
  論文  参考訳（メタデータ） (2022-10-09T11:10:59Z)
• Neural Maximum A Posteriori Estimation on Unpaired Data for Motion Deblurring [87.97330195531029]
  本稿では、ニューラルネットワークをトレーニングし、失明したデータから視覚情報や鋭いコンテンツを復元するためのニューラルネットワークの最大Aポストエリオリ(NeurMAP)推定フレームワークを提案する。 提案されたNeurMAPは、既存のデブロアリングニューラルネットワークに対するアプローチであり、未使用データセット上のイメージデブロアリングネットワークのトレーニングを可能にする最初のフレームワークである。
  論文  参考訳（メタデータ） (2022-04-26T08:09:47Z)
• Unfolded Deep Kernel Estimation for Blind Image Super-resolution [23.798845090992728]
  ブラインド画像超解像(BISR)は、未知のぼやけたカーネルとノイズによって劣化した低解像度画像から高解像度画像を再構成することを目的としている。 我々は,我々の最良知識に対して初めて,データ項を高効率で明示的に解く,新しい展開深層カーネル推定法 (UDKE) を提案する。
  論文  参考訳（メタデータ） (2022-03-10T07:54:59Z)
• Low-light Image Enhancement by Retinex Based Algorithm Unrolling and Adjustment [50.13230641857892]
  本稿では,低照度画像強調(LIE)問題に対する新たなディープラーニングフレームワークを提案する。 提案フレームワークは,大域的明るさと局所的明るさ感度の両方を考慮したアルゴリズムアンロールと調整ネットワークに着想を得た分解ネットワークを含む。 一連の典型的なLIEデータセットの実験では,既存の手法と比較して,定量的かつ視覚的に,提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2022-02-12T03:59:38Z)
• Blind Image Restoration with Flow Based Priors [19.190289348734215]
  未知の劣化を伴う盲点において、優れた先行性は依然として不可欠である。 本稿では, 正規化フローを用いて対象コンテンツの分布をモデル化し, 最大アフターリ(MAP)の定式化に先立ってこれを前もって用いることを提案する。 我々の知る限りでは、これは画像強調問題に先行する正規化フローを探求する最初の研究である。
  論文  参考訳（メタデータ） (2020-09-09T21:40:11Z)
• 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)
• Variational Denoising Network: Toward Blind Noise Modeling and Removal [59.36166491196973]
  ブラインド画像のデノイングはコンピュータビジョンにおいて重要な問題であるが、非常に難しい問題である。 本稿では,ノイズ推定と画像デノーミングを併用した新しい変分推論手法を提案する。
  論文  参考訳（メタデータ） (2019-08-29T15:54:06Z)

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。