論文の概要: AdvBokeh: Learning to Adversarially Defocus Blur

• arxiv url: http://arxiv.org/abs/2111.12971v1
• Date: Thu, 25 Nov 2021 09:08:45 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-29 16:47:04.524173
• Title: AdvBokeh: Learning to Adversarially Defocus Blur
• Title（参考訳）: AdvBokeh: ブルを反対に定義することを学ぶ
• Authors: Yihao Huang, Felix Juefei-Xu, Qing Guo, Weikai Miao, Yang Liu, Geguang Pu
• Abstract要約: 我々は、新しい角度、すなわち敵のボケアタック(AdvBokeh)からボケ効果を研究する。 画像のボケレベルを柔軟に合成し、再焦点し、調整できるDepth-guided Bokeh Synthesis Network (DebsNet)を提案する。 提案手法は,4つの最先端画像分類網を高い成功率で浸透させることができることを示す。
• 参考スコア（独自算出の注目度）: 17.02573767696113
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Bokeh effect is a natural shallow depth-of-field phenomenon that blurs the out-of-focus part in photography. In pursuit of aesthetically pleasing photos, people usually regard the bokeh effect as an indispensable part of the photo. Due to its natural advantage and universality, as well as the fact that many visual recognition tasks can already be negatively affected by the `natural bokeh' phenomenon, in this work, we systematically study the bokeh effect from a new angle, i.e., adversarial bokeh attack (AdvBokeh) that aims to embed calculated deceptive information into the bokeh generation and produce a natural adversarial example without any human-noticeable noise artifacts. To this end, we first propose a Depth-guided Bokeh Synthesis Network (DebsNet) that is able to flexibly synthesis, refocus, and adjust the level of bokeh of the image, with a one-stage training procedure. The DebsNet allows us to tap into the bokeh generation process and attack the depth map that is needed for generating realistic bokeh (i.e., adversarially tuning the depth map) based on subsequent visual tasks. To further improve the realisticity of the adversarial bokeh, we propose depth-guided gradient-based attack to regularize the gradient.We validate the proposed method on a popular adversarial image classification dataset, i.e., NeurIPS-2017 DEV, and show that the proposed method can penetrate four state-of-the-art (SOTA) image classification networks i.e., ResNet50, VGG, DenseNet, and MobileNetV2 with a high success rate as well as high image quality. The adversarial examples obtained by AdvBokeh also exhibit high level of transferability under black-box settings. Moreover, the adversarially generated defocus blur images from the AdvBokeh can actually be capitalized to enhance the performance of SOTA defocus deblurring system, i.e., IFAN.
• Abstract（参考訳）: ボケ効果(bokeh effect)は、被写界深度の浅い自然現象である。 美的に喜ぶ写真の追求では、ボケ効果を写真の不可欠な部分と見なすのが普通である。 その自然な利点と普遍性、また、多くの視覚認識タスクが既に「自然なボケ」現象の悪影響を受けているという事実から、本研究では、ボケ世代に計算された偽情報を埋め込むことを目的とする新しい角度、すなわち逆ボケアタック(advbokeh)からボケ効果を体系的に研究し、人間の目に見えるノイズアーティファクトを含まない自然敵の例を作成する。 そこで我々はまず,画像のボケを柔軟に合成し,再フォーカスし,調整できるDepth-guided Bokeh Synthesis Network (DebsNet)を提案する。 DebsNetは、ボケ生成プロセスにタップして、その後の視覚的タスクに基づいて現実的なボケ(すなわち、デプスマップを逆向きに調整する)を生成するために必要なデプスマップを攻撃することができる。 直交ボケの現実性をさらに向上するため, 勾配調整のための奥行き誘導勾配に基づく攻撃法を提案し, 提案手法をNeurIPS-2017 DEV(NeurIPS-2017 DEV)で検証し, 提案手法が4つの最先端画像分類網(ResNet50, VGG, DenseNet, MobileNetV2)を高い成功率で浸透させることができることを示す。 AdvBokehによって得られた逆の例は、ブラックボックス設定下で高いレベルの転送可能性を示す。 さらに、逆発生したAdvBokehからのデフォーカスぼけ画像は、実際に大文字化することができ、SOTAデフォーカスデブロアリングシステム、すなわちIFANの性能を向上させることができる。

関連論文リスト

• GBSD: Generative Bokeh with Stage Diffusion [16.189787907983106]
  ボケ効果(ボケエフェクト、bokeh effect)は、写真の中の焦点領域をぼかす芸術技法である。 我々は、ボケスタイルでフォトリアリスティックな画像を合成する最初の生成テキスト・画像モデルであるGBSDを提案する。
  論文  参考訳（メタデータ） (2023-06-14T05:34:02Z)
• Defocus to focus: Photo-realistic bokeh rendering by fusing defocus and radiance priors [26.38833313692807]
  Bokehレンダリングは、プロの写真における美的浅層深度(DoF)を模倣している。 既存の手法は、単純な平坦な背景のぼやけと、焦点内領域のぼやけに悩まされている。 本稿では,現実的なボケレンダリングを学習するためのD2Fフレームワークについて述べる。
  論文  参考訳（メタデータ） (2023-06-07T15:15:13Z)
• Bokeh-Loss GAN: Multi-Stage Adversarial Training for Realistic Edge-Aware Bokeh [3.8811606213997587]
  我々は単分子ボケ合成の問題に取り組み、単一のオールインフォーカス画像から被写界画像の浅い深さを描画しようと試みる。 DSLRカメラとは異なり、この効果は移動体開口の物理的制約のため、移動体カメラでは直接キャプチャできない。 本稿では,単一の画像入力から現実的なモノクロボケをレンダリングできるネットワークベースのアプローチを提案する。
  論文  参考訳（メタデータ） (2022-08-25T20:57:07Z)
• Single image deep defocus estimation and its applications [82.93345261434943]
  画像パッチを20レベルの曖昧さの1つに分類するために、ディープニューラルネットワークをトレーニングします。 トレーニングされたモデルは、反復重み付きガイドフィルタを適用して改善するパッチのぼかしを決定するために使用される。 その結果、デフォーカスマップは各ピクセルのぼやけた度合いの情報を運ぶ。
  論文  参考訳（メタデータ） (2021-07-30T06:18:16Z)
• BaMBNet: A Blur-aware Multi-branch Network for Defocus Deblurring [74.34263243089688]
  畳み込みニューラルネットワーク(CNN)は、デフォーカス劣化問題に導入され、大きな進歩を遂げた。 本研究では,異なる領域(ブラー量が異なる)を区別して扱う新しいマルチブランチネットワーク(BaMBNet)を設計する。 定量的および定性的な実験は、BaMBNetが最先端の手法より優れていることを示している。
  論文  参考訳（メタデータ） (2021-05-31T07:55:30Z)
• AIM 2020 Challenge on Rendering Realistic Bokeh [95.87775182820518]
  本稿では,第2回AIM現実ボケ効果レンダリングチャレンジをレビューする。 目標は、大規模なESB! bokehデータセットを使用して、現実的な浅いフォーカステクニックを学ぶことだった。 参加者は、他のカメラやセンサーからの追加データなしで、単一のフレームのみに基づいてボケ効果をレンダリングしなければならなかった。
  論文  参考訳（メタデータ） (2020-11-10T09:15:38Z)
• Defocus Blur Detection via Depth Distillation [64.78779830554731]
  初めてDBDに深度情報を導入します。 より詳しくは, 地底の真理と, 十分に訓練された深度推定ネットワークから抽出した深度から, デフォーカスのぼかしを学習する。 我々の手法は、2つの一般的なデータセット上で11の最先端の手法より優れています。
  論文  参考訳（メタデータ） (2020-07-16T04:58:09Z)
• Rendering Natural Camera Bokeh Effect with Deep Learning [95.86933125733673]
  ボケ(Bokeh)は、写真に焦点をあてる重要な芸術効果である。 モバイルカメラは、光学の直径が非常に小さいため、被写界深度が浅い写真を作ることができない。 本稿では,デジタル一眼レフカメラで撮影された写真から直接,現実的な浅層焦点技術を学ぶことを提案する。
  論文  参考訳（メタデータ） (2020-06-10T07:28:06Z)
• Depth-aware Blending of Smoothed Images for Bokeh Effect Generation [10.790210744021072]
  本稿では,画像から高品質なボケ効果を生成するために,エンドツーエンドのディープラーニングフレームワークを提案する。 ネットワークは軽量で、HD画像を0.03秒で処理できる。 このアプローチは、AIM 2019 Bokeh effect Challenge-Perceptual Trackで2位にランクインした。
  論文  参考訳（メタデータ） (2020-05-28T18:11:05Z)
• 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。