論文の概要: Edge Prior Augmented Networks for Motion Deblurring on Naturally Blurry Images

• arxiv url: http://arxiv.org/abs/2109.08915v1
• Date: Sat, 18 Sep 2021 12:00:27 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-21 16:30:07.653811
• Title: Edge Prior Augmented Networks for Motion Deblurring on Naturally Blurry Images
• Title（参考訳）: 自然ブラリ画像上での動作不良のためのエッジ事前拡張ネットワーク
• Authors: Yuedong Chen, Junjia Huang, Jianfeng Wang and Xiaohua Xie
• Abstract要約: エッジ優先ネットワーク(EPAN)と呼ばれる,エッジ事前知識を深層モデルに組み込んだ新しいフレームワークを提案する。 EPANはコンテンツベースのメインブランチとエッジベースの補助ブランチを持ち、コンテンツデブロアリングネット(CDN)とエッジエンハンスメントネット(EEN)として構築されている。
• 参考スコア（独自算出の注目度）: 19.828202373747203
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Motion deblurring has witnessed rapid development in recent years, and most of the recent methods address it by using deep learning techniques, with the help of different kinds of prior knowledge. Concerning that deblurring is essentially expected to improve the image sharpness, edge information can serve as an important prior. However, the edge has not yet been seriously taken into consideration in previous methods when designing deep models. To this end, we present a novel framework that incorporates edge prior knowledge into deep models, termed Edge Prior Augmented Networks (EPAN). EPAN has a content-based main branch and an edge-based auxiliary branch, which are constructed as a Content Deblurring Net (CDN) and an Edge Enhancement Net (EEN), respectively. EEN is designed to augment CDN in the deblurring process via an attentive fusion mechanism, where edge features are mapped as spatial masks to guide content features in a feature-based hierarchical manner. An edge-guided loss function is proposed to further regulate the optimization of EPAN by enforcing the focus on edge areas. Besides, we design a dual-camera-based image capturing setting to build a new dataset, Real Object Motion Blur (ROMB), with paired sharp and naturally blurry images of fast-moving cars, so as to better train motion deblurring models and benchmark the capability of motion deblurring algorithms in practice. Extensive experiments on the proposed ROMB and other existing datasets demonstrate that EPAN outperforms state-of-the-art approaches qualitatively and quantitatively.
• Abstract（参考訳）: 近年,動作不良は急速に進展しており,近年の手法の多くは,様々な事前知識の助けを借りて,深層学習技術を用いて対処している。 ブラッシングが画像のシャープネスを向上させることが本質的に期待されているため、エッジ情報は重要な事前情報として機能することができる。 しかし、エッジは、深いモデルを設計する際、以前の方法では真剣に考慮されていない。 そこで本研究では,エッジ事前知識を深層モデルに組み込む新しい枠組みであるエッジ事前拡張ネットワーク(epan)を提案する。 EPANはコンテンツベースのメインブランチとエッジベースの補助ブランチを持ち、それぞれコンテンツデブロアリングネット(CDN)とエッジエンハンスメントネット(EEN)として構築されている。 EENは、エッジ特徴を空間マスクとしてマッピングし、特徴ベースの階層的な方法でコンテンツ特徴をガイドする、注意深い融合機構を通じて、デブロアリングプロセスにおけるCDNを増大させるように設計されている。 エッジ領域に焦点を絞ることで、EPANの最適化をさらに規制するためにエッジ誘導損失関数を提案する。 さらに、デュアルカメラによる画像キャプチャ設定を設計し、新しいデータセットであるReal Object Motion Blur(ROMB)を構築し、高速移動車のシャープで自然にぼやけた画像をペア化して、モーションデブロアリングモデルを訓練し、実際に動作デブロアリングアルゴリズムの能力をベンチマークする。 提案されたROMBや他の既存のデータセットに対する大規模な実験は、EPANが最先端のアプローチを質的かつ定量的に上回ることを示した。

関連論文リスト

• TALE: Training-free Cross-domain Image Composition via Adaptive Latent Manipulation and Energy-guided Optimization [59.412236435627094]
  TALEは、テキストから画像への拡散モデルの生成機能を利用する、トレーニング不要のフレームワークである。 TALEにはAdaptive Latent ManipulationとEnergy-Guided Latent Optimizationという2つのメカニズムが備わっている。 本実験は,TALEが従来のベースラインを超え,画像誘導合成における最先端性能を実現することを示す。
  論文  参考訳（メタデータ） (2024-08-07T08:52:21Z)
• Improving Neural Surface Reconstruction with Feature Priors from Multi-View Image [87.00660347447494]
  ニューラルサーフェス・コンストラクション(NSR)の最近の進歩は、ボリュームレンダリングと組み合わせることで、マルチビュー・コンストラクションを著しく改善している。 本稿では,多種多様な視覚的タスクから価値ある特徴を活用すべく,特徴レベルの一貫した損失について検討する。 DTU と EPFL を用いて解析した結果,画像マッチングと多視点ステレオデータセットによる特徴が,他のプリテキストタスクよりも優れていたことが判明した。
  論文  参考訳（メタデータ） (2024-08-04T16:09:46Z)
• Learned Image Reasoning Prior Penetrates Deep Unfolding Network for Panchromatic and Multi-Spectral Image Fusion [45.28120834593148]
  本稿では,パンシャーピング作業に適した画像推論を行う新しいモデル駆動型深層展開フレームワークを提案する。 我々のフレームワークは、洞察に富んだデザインでマスキングされたオートエンコーダのコンテンツ推論能力によって動機付けられている。 私たちのフレームワークのユニークな点は、全体論的学習プロセスが、パン・シャーピングタスクの根底にある固有の物理的メカニズムと明確に統合されていることです。
  論文  参考訳（メタデータ） (2023-08-30T15:15:31Z)
• 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)
• Edge-enhanced Feature Distillation Network for Efficient Super-Resolution [6.245537312562826]
  本稿では,制約資源下での高周波情報を保存するために,EFDNというエッジ強化型特徴蒸留ネットワークを提案する。 我々は、エッジ強化戦略がエッジを維持し、最終的な修復品質を著しく向上することを示します。
  論文  参考訳（メタデータ） (2022-04-19T08:57:35Z)
• FSOINet: Feature-Space Optimization-Inspired Network for Image Compressive Sensing [11.352530132548912]
  本稿では,情報フローのフェーズを特徴空間で段階的に実現し,特徴空間最適化にインスパイアされたネットワーク(FSOINet)を設計する手法を提案する。 実験により、提案したFSOINetは既存の最先端手法よりも、定量的にも定性的にも大きなマージンで優れていることが示された。
  論文  参考訳（メタデータ） (2022-04-12T03:30:22Z)
• EA-Net: Edge-Aware Network for Flow-based Video Frame Interpolation [101.75999290175412]
  補間フレーム内のエッジを保存することにより,画像のぼかしを低減し,オブジェクトの明確な形状を得る。 提案するエッジアウェアネットワーク(eanet)は、エッジ情報をフレームタスクに統合する。 フローマップの推定において,フレームエッジを強調する3つのエッジアウェア機構が開発されている。
  論文  参考訳（メタデータ） (2021-05-17T08:44:34Z)
• Cascaded Deep Video Deblurring Using Temporal Sharpness Prior [88.98348546566675]
  提案アルゴリズムは主に,中間潜水フレームと潜水フレームの復元ステップから光フローを推定する。 まず、中間潜伏フレームから光フローを推定し、推定した光フローに基づいて潜伏フレームを復元する深部CNNモデルを開発する。 ビデオデブロアリングのドメイン知識を探索することで、深層CNNモデルをよりコンパクトで効率的なものにすることができることを示す。
  論文  参考訳（メタデータ） (2020-04-06T09:13:49Z)
• Saliency Enhancement using Gradient Domain Edges Merging [65.90255950853674]
  本研究では,エッジとサリエンシマップをマージして,サリエンシマップの性能を向上させる手法を開発した。 これにより、DUT-OMRONデータセットの少なくとも3.4倍の平均的な改善により、エッジ(SEE)を使用したサリエンシ向上が提案された。 SEEアルゴリズムは前処理のためのSEE-Preと後処理のためのSEE-Postの2つの部分に分けられる。
  論文  参考訳（メタデータ） (2020-02-11T14:04:56Z)

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。