論文の概要: Single Image Defocus Deblurring Using Kernel-Sharing Parallel Atrous
Convolutions
- arxiv url: http://arxiv.org/abs/2108.09108v1
- Date: Fri, 20 Aug 2021 11:06:19 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-23 13:25:54.000058
- Title: Single Image Defocus Deblurring Using Kernel-Sharing Parallel Atrous
Convolutions
- Title(参考訳): カーネル共有並列atrous畳み込みを用いた単一画像デフォーカスデブラリング
- Authors: Hyeongseok Son, Junyong Lee, Sunghyun Cho, Seungyong Lee
- Abstract要約: デフォーカス画像では、ぼやけた形状は画素間で似ているが、ぼやけの大きさは異なる。
我々は,デフォーカスのぼかしの大きさだけが形状を維持しながら変化する場合,対応する逆カーネルの形状が変わらず,スケールのみが変化するという観察を生かした。
逆カーネルの特性を組み込んだカーネル共有並列アラス畳み込み(KPAC)ブロックを提案する。
- 参考スコア(独自算出の注目度): 15.713997170792842
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper proposes a novel deep learning approach for single image defocus
deblurring based on inverse kernels. In a defocused image, the blur shapes are
similar among pixels although the blur sizes can spatially vary. To utilize the
property with inverse kernels, we exploit the observation that when only the
size of a defocus blur changes while keeping the shape, the shape of the
corresponding inverse kernel remains the same and only the scale changes. Based
on the observation, we propose a kernel-sharing parallel atrous convolutional
(KPAC) block specifically designed by incorporating the property of inverse
kernels for single image defocus deblurring. To effectively simulate the
invariant shapes of inverse kernels with different scales, KPAC shares the same
convolutional weights among multiple atrous convolution layers. To efficiently
simulate the varying scales of inverse kernels, KPAC consists of only a few
atrous convolution layers with different dilations and learns per-pixel scale
attentions to aggregate the outputs of the layers. KPAC also utilizes the shape
attention to combine the outputs of multiple convolution filters in each atrous
convolution layer, to deal with defocus blur with a slightly varying shape. We
demonstrate that our approach achieves state-of-the-art performance with a much
smaller number of parameters than previous methods.
- Abstract(参考訳): 本稿では,逆カーネルに基づく単一画像デフォーカスデブルリングのための新しい深層学習手法を提案する。
デフォーカス画像では、ぼやけた形状はピクセル間で似ているが、ぼやけた大きさは空間的に異なる。
この特性を逆カーネルで活用するために,デフォーカスボケの大きさのみが形状を維持しながら変化する場合,対応する逆カーネルの形状は同一のままであり,スケールのみが変化するという観察を活用した。
そこで本研究では,単一画像デフォーカスデブラリングのための逆カーネルの特性を組み込んだカーネル共有並列atrous convolutional (kpac)ブロックを提案する。
異なるスケールで逆カーネルの不変形状を効果的にシミュレートするために、KPACは複数のアトラスな畳み込み層で同じ畳み込み重みを共有する。
逆カーネルの様々なスケールを効率的にシミュレートするために、KPACは異なるダイレーションを持つ少数のアトラスな畳み込み層で構成され、ピクセルごとのスケールの注意を学習し、レイヤーの出力を集約する。
KPACはまた、形状注意を利用して、各アトラス畳み込み層における複数の畳み込みフィルタの出力を組み合わせ、わずかに異なる形状のデフォーカスぼけに対処する。
提案手法は,従来の手法よりもはるかに少ないパラメータで,最先端の性能を実現する。
関連論文リスト
- Parallel Cross Strip Attention Network for Single Image Dehazing [15.246376325081973]
単一画像デハジングは、ぼんやりとしたイメージを復元し、透明で高品質なビジュアルを作り出すことを目的としている。
伝統的な畳み込みモデルは、受容野のサイズが限られているため、長距離依存に苦しむ。
マルチスケール戦略を用いた並列Stripe Cross Attention (PCSA) に基づく新しいデハージングネットワークを提案する。
論文 参考訳(メタデータ) (2024-05-09T14:50:07Z) - $PC^2$: Projection-Conditioned Point Cloud Diffusion for Single-Image 3D
Reconstruction [97.06927852165464]
単一のRGB画像から物体の3次元形状を再構築することは、コンピュータビジョンにおける長年の課題である。
条件付き偏光拡散プロセスによりスパース点雲を生成する単一像3次元再構成法を提案する。
論文 参考訳(メタデータ) (2023-02-21T13:37:07Z) - Learning Single Image Defocus Deblurring with Misaligned Training Pairs [80.13320797431487]
単一画像デフォーカスデブロリングのための連成デブロアリングおよびリブロアリング学習フレームワークを提案する。
我々のフレームワークは、定量的メトリクスと視覚的品質の両方の観点から、デフォーカスデブロワーリングネットワークを向上するために適用することができる。
論文 参考訳(メタデータ) (2022-11-26T07:36:33Z) - A Constrained Deformable Convolutional Network for Efficient Single
Image Dynamic Scene Blind Deblurring with Spatially-Variant Motion Blur
Kernels Estimation [12.744989551644744]
本稿では,効率的なシングルイメージダイナミックシーンブラインドブルのための制約付き変形可能な畳み込みネットワーク(CDCN)を提案する。
CDCNは、高精度な空間変動運動ぼかしカーネル推定と高品質な画像復元を同時に達成する。
論文 参考訳(メタデータ) (2022-08-23T03:28:21Z) - Hybrid Tracker with Pixel and Instance for Video Panoptic Segmentation [50.62685357414904]
ビデオパノプティカル係数(VPS)は、コヒーレントなパノプティカルセグメンテーションを生成し、ビデオフレーム全体の全ピクセルのアイデンティティを追跡することを目的としている。
単一トラッカーの限界を取り除くために,軽量かつ共同的な追跡モデルであるHybridTrackerを提案する。
総合的な実験により、HybridTrackerはCityscapes-VPSとVIPERデータセットの最先端メソッドよりも優れたパフォーマンスを実現している。
論文 参考訳(メタデータ) (2022-03-02T16:21:55Z) - Mutual Affine Network for Spatially Variant Kernel Estimation in Blind
Image Super-Resolution [130.32026819172256]
既存のブラインド画像超解像法(SR)は、ぼやけたカーネルが画像全体にわたって空間的に不変であると仮定する。
本稿では,空間変動カーネル推定のための相互アフィンネットワーク(MANet)を提案する。
論文 参考訳(メタデータ) (2021-08-11T16:11:17Z) - Blind Non-Uniform Motion Deblurring using Atrous Spatial Pyramid
Deformable Convolution and Deblurring-Reblurring Consistency [5.994412766684843]
複数のAtrous Space Pyramid Deformable Convolutionモジュールからなる新しいアーキテクチャを提案する。
複数のASPDCモジュールは、同じ層内で異なるディレーションレートで画素固有の動きを暗黙的に学習し、異なる大きさの動きを処理する。
実験の結果,提案手法はベンチマークデータセット上での最先端手法よりも優れていた。
論文 参考訳(メタデータ) (2021-06-27T23:14:52Z) - Image Inpainting with Edge-guided Learnable Bidirectional Attention Maps [85.67745220834718]
不規則な穴の画像インペインティングを改善するためのエッジガイド学習可能な双方向注意マップ(Edge-LBAM)を紹介します。
当社のEdge-LBAMメソッドには、予測エッジによる構造認識マスク更新を含むデュアルプロシージャが含まれています。
広範な実験により,エッジlbamはコヒーレントな画像構造を生成し,色差やぼやけを防止できることがわかった。
論文 参考訳(メタデータ) (2021-04-25T07:25:16Z) - Blur-Attention: A boosting mechanism for non-uniform blurred image
restoration [27.075713246257596]
非一様ぼかし画像の特徴を動的に捉えるためのぼかしアテンションモジュールを提案する。
条件生成の逆方向のフレームワークにぼやけたアテンションネットワークを導入することにより、エンド・ツー・エンドのブラインド・モーション・デブロアリング法を提案する。
実験結果から,PSNR,SSIM,主観的視覚的品質の両面において,本手法の劣化能力は優れた客観的性能を示した。
論文 参考訳(メタデータ) (2020-08-19T16:07:06Z) - PSConv: Squeezing Feature Pyramid into One Compact Poly-Scale
Convolutional Layer [76.44375136492827]
畳み込みニューラルネットワーク(CNN)は、しばしばスケールに敏感である。
我々は、この後悔を、より細かい粒度でマルチスケールの機能を利用して埋める。
提案した畳み込み演算は、PSConv(Poly-Scale Convolution)と呼ばれ、拡張率のスペクトルを混合する。
論文 参考訳(メタデータ) (2020-07-13T05:14:11Z) - Blur Invariant Kernel-Adaptive Network for Single Image Blind deblurring [0.886014926770622]
本稿では,ぼやけたカーネルに関する情報を利用する,新しい,目が見えない,シングルイメージのデブロアリング手法を提案する。
まず、ぼやけた画像の分析に基づいて、適応的なぼやけたカーネルを生成するカーネル推定ネットワークを導入する。
本稿では,推定したぼやけたカーネルを用いて,シャープな画像を復元するデブロワーリングネットワークを提案する。
論文 参考訳(メタデータ) (2020-07-09T03:53:33Z)
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。