論文の概要: Gaussian Kernel Mixture Network for Single Image Defocus Deblurring

• arxiv url: http://arxiv.org/abs/2111.00454v1
• Date: Sun, 31 Oct 2021 10:16:09 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-02 15:14:21.989907
• Title: Gaussian Kernel Mixture Network for Single Image Defocus Deblurring
• Title（参考訳）: 単一画像デフォーカス劣化のためのガウスカーネル混合ネットワーク
• Authors: Yuhui Quan, Zicong Wu and Hui Ji
• Abstract要約: 本稿では,1枚の画像からデフォーカスのぼかしを除去するエンド・ツー・エンドのディープラーニング手法を提案する。 空間的に変化するデフォーカスボケカーネルを表現するために,GKMモデルを提案する。 GKMNetと呼ばれるディープニューラルネットワークは、GKMベースのデブロアリングの固定点反復をアンロールすることによって開発される。
• 参考スコア（独自算出の注目度）: 34.57985745690651
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Defocus blur is one kind of blur effects often seen in images, which is challenging to remove due to its spatially variant amount. This paper presents an end-to-end deep learning approach for removing defocus blur from a single image, so as to have an all-in-focus image for consequent vision tasks. First, a pixel-wise Gaussian kernel mixture (GKM) model is proposed for representing spatially variant defocus blur kernels in an efficient linear parametric form, with higher accuracy than existing models. Then, a deep neural network called GKMNet is developed by unrolling a fixed-point iteration of the GKM-based deblurring. The GKMNet is built on a lightweight scale-recurrent architecture, with a scale-recurrent attention module for estimating the mixing coefficients in GKM for defocus deblurring. Extensive experiments show that the GKMNet not only noticeably outperforms existing defocus deblurring methods, but also has its advantages in terms of model complexity and computational efficiency.
• Abstract（参考訳）: Defocus blurは画像によく見られるブラー効果の一種であり、空間的に変化する量のために除去が困難である。 本稿では,1つの画像からデフォーカスのぼかしを取り除くためのエンドツーエンドのディープラーニング手法を提案する。 まず,空間変動型デフォーカスボローカーネルを線形パラメトリックな効率よく表現し,既存のモデルよりも高精度な画素ワイドガウス核混合(GKM)モデルを提案する。 そして、GKMベースのデブロアリングの固定点反復をアンロールすることで、GKMNetと呼ばれるディープニューラルネットワークを開発する。 gkmnetは軽量なスケールリカレントアーキテクチャ上に構築されており、スケールリカレントアテンションモジュールを用いてgkmの混合係数を推定し、デフォーカスデブラリングを行う。 大規模な実験により、GKMNetは既存のデフォーカスデブロリング法を著しく上回るだけでなく、モデル複雑性と計算効率の点でその優位性も示している。

関連論文リスト

• Message-Passing Monte Carlo: Generating low-discrepancy point sets via Graph Neural Networks [64.39488944424095]
  本稿では,Message-Passing Monte Carlo という低差点集合を生成する機械学習手法を提案する。 MPMC点は、低次元と少数の点との差に関して、最適かほぼ最適であることが実証的に示されている。
  論文  参考訳（メタデータ） (2024-05-23T21:17:20Z)
• 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)
• Learning Feature Matching via Matchable Keypoint-Assisted Graph Neural Network [52.29330138835208]
  画像のペア間の局所的な特徴の正確なマッチングは、コンピュータビジョンの課題である。 従来の研究では、注意に基づくグラフニューラルネットワーク(GNN)と、画像内のキーポイントに完全に接続されたグラフを使用するのが一般的だった。 本稿では,非繰り返しキーポイントをバイパスし,マッチング可能なキーポイントを利用してメッセージパッシングを誘導する,疎注意に基づくGNNアーキテクチャであるMaKeGNNを提案する。
  論文  参考訳（メタデータ） (2023-07-04T02:50:44Z)
• SAWU-Net: Spatial Attention Weighted Unmixing Network for Hyperspectral Images [91.20864037082863]
  本稿では,空間的注意ネットワークと重み付き未混合ネットワークをエンドツーエンドに学習する,SAWU-Netと呼ばれる空間的注意重み付き未混合ネットワークを提案する。 特に,画素アテンションブロックとウィンドウアテンションブロックからなる空間アテンションモジュールを設計し,画素ベースのスペクトル情報とパッチベースの空間情報を効率的にモデル化する。 実データと合成データの実験結果から,SAWU-Netの精度と優位性が示された。
  論文  参考訳（メタデータ） (2023-04-22T05:22:50Z)
• Learnable Blur Kernel for Single-Image Defocus Deblurring in the Wild [9.246199263116067]
  本稿では,デフォーカスマップのガイダンスを用いて画像のデブロリングを実装する新しいデフォーカスデブロアリング法を提案する。 提案手法は,デフォーカスマップを推定する学習可能なぼかしカーネルと,デフォーカスGAN(Generative Adversarial Network)を初めてデフォーカスする単一イメージデフォーカスとから構成される。
  論文  参考訳（メタデータ） (2022-11-25T10:47:19Z)
• ShuffleMixer: An Efficient ConvNet for Image Super-Resolution [88.86376017828773]
  本稿では、大きな畳み込みとチャネル分割シャッフル操作を探索する軽量画像超解像のためのShuffleMixerを提案する。 具体的には,チャネル分割とシャッフルを基本成分とする2つのプロジェクション層を効率よく混合する。 実験結果から,ShuffleMixerはモデルパラメータやFLOPの手法に比べて約6倍小さいことがわかった。
  論文  参考訳（メタデータ） (2022-05-30T15:26:52Z)
• Image-specific Convolutional Kernel Modulation for Single Image Super-resolution [85.09413241502209]
  本稿では,新しい画像特異的畳み込み変調カーネル(IKM)を提案する。 我々は、画像や特徴のグローバルな文脈情報を利用して、畳み込みカーネルを適応的に調整するための注意重みを生成する。 単一画像超解像実験により,提案手法は最先端手法よりも優れた性能を示した。
  論文  参考訳（メタデータ） (2021-11-16T11:05:10Z)
• Iterative Filter Adaptive Network for Single Image Defocus Deblurring [14.631102120866283]
  単一画像のデフォーカスを損なう新しいエンドツーエンドの学習手法を提案する。 提案手法は,空間的に異なるぼかしを扱うために特別に設計された,新しいIterative Filter Adaptive Network (IFAN) を備える。 提案手法は,実世界の画像に対して,定量的かつ質的に,最先端の性能を達成することを実証する。
  論文  参考訳（メタデータ） (2021-08-31T04:27:07Z)
• Learning to Estimate Kernel Scale and Orientation of Defocus Blur with Asymmetric Coded Aperture [19.472377706422474]
  一貫したインフォーカス入力画像は、動的環境を知覚する機械ビジョンシステムにとって不可欠な前提条件です。 デフォーカスブラーは視覚システムの性能を著しく低下させる。 デフォーカスボケのカーネルスケールと向きを推定し、レンズフォーカスを素早く調整するディープラーニングベースのフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-03-10T03:12:15Z)
• 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)

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。