論文の概要: Image Reconstruction from Events. Why learn it?
- arxiv url: http://arxiv.org/abs/2112.06242v1
- Date: Sun, 12 Dec 2021 14:01:09 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-14 16:28:02.456280
- Title: Image Reconstruction from Events. Why learn it?
- Title（参考訳）: イベントからのイメージ復元。
なぜ習うのか?
- Authors: Zelin Zhang, Anthony Yezzi, Guillermo Gallego
- Abstract要約: 動き推定の連立問題への取り組みが,線形逆問題としてイベントベース画像再構成のモデル化につながることを示す。
そこで本稿では,古典的・学習的な画像先行情報を用いて,その問題を解決し,再構成画像からアーティファクトを除去する手法を提案する。
- 参考スコア（独自算出の注目度）: 11.773972029187433
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Traditional cameras measure image intensity. Event cameras, by contrast,
measure per-pixel temporal intensity changes asynchronously. Recovering
intensity from events is a popular research topic since the reconstructed
images inherit the high dynamic range (HDR) and high-speed properties of
events; hence they can be used in many robotic vision applications and to
generate slow-motion HDR videos. However, state-of-the-art methods tackle this
problem by training an event-to-image recurrent neural network (RNN), which
lacks explainability and is difficult to tune. In this work we show, for the
first time, how tackling the joint problem of motion and intensity estimation
leads us to model event-based image reconstruction as a linear inverse problem
that can be solved without training an image reconstruction RNN. Instead,
classical and learning-based image priors can be used to solve the problem and
remove artifacts from the reconstructed images. The experiments show that the
proposed approach generates images with visual quality on par with
state-of-the-art methods despite only using data from a short time interval
(i.e., without recurrent connections). Our method can also be used to improve
the quality of images reconstructed by approaches that first estimate the image
Laplacian; here our method can be interpreted as Poisson reconstruction guided
by image priors.
- Abstract（参考訳）: 従来のカメラは画像強度を測定する。
対照的に、イベントカメラは画素ごとの時間強度を非同期に測定する。
復元された画像が高ダイナミックレンジ(hdr)と高速特性を継承するため、イベントからの強度回復は一般的な研究テーマであり、多くのロボットビジョンアプリケーションで使用でき、スローモーションhdrビデオを生成することができる。
しかし、現状の手法は、説明可能性に欠け、チューニングが難しいイベント・ツー・イメージ・リカレントニューラルネットワーク(RNN)をトレーニングすることでこの問題に対処する。
本研究は, 画像再構成RNNを訓練せずに解くことができる線形逆問題として, 運動と強度推定の連立問題に初めて取り組むことによって, イベントベースの画像再構成がモデルとなることを示す。
代わりに、古典的および学習的イメージの先行は、問題を解決し、再構成された画像からアーティファクトを取り除くために使用できる。
実験の結果,提案手法は,短時間(再帰接続のない)のデータのみを使用しながら,最先端の手法と同等の画質で画像を生成することがわかった。
提案手法は,まず画像ラプラシアンを推定するアプローチによって再構成された画像の品質向上にも有効であり,この手法は画像先行によって導かれるポアソン再構成と解釈できる。
関連論文リスト
- NODER: Image Sequence Regression Based on Neural Ordinary Differential Equations [2.711538918087856]
本稿では,ニューラル常微分方程式を利用して複雑な基礎となる力学を捉える,NODERという最適化に基づく新しいフレームワークを提案する。
本モデルでは,特に臨床状況において,予測のために数枚の画像のみを必要とする。
論文 参考訳（メタデータ） (2024-07-18T07:50:46Z) - MRI Field-transfer Reconstruction with Limited Data: Regularization by
Neural Style Transfer [1.755209318470883]
Denoising (RED) による正規化は、画像再構成の先行として Denoiser を組み込む一般的なパイプラインである。
本稿では,ニューラル・スタイル・トランスファー(RNST)法による正規化手法を提案する。
論文 参考訳（メタデータ） (2023-08-21T18:26:35Z) - Single-Image HDR Reconstruction by Multi-Exposure Generation [8.656080193351581]
本稿では,HDR再構成のための物理画像形成過程を逆転する弱教師付き学習手法を提案する。
我々のニューラルネットワークは、複数の露光を合成する前に画素照射を再構成するためにカメラ応答を反転させることができる。
実験の結果,提案手法はHDR画像の再構成を効果的に行うことができることがわかった。
論文 参考訳（メタデータ） (2022-10-28T05:12:56Z) - Is Deep Image Prior in Need of a Good Education? [57.3399060347311]
画像再構成に有効な先行画像として, 奥行き画像が導入された。
その印象的な再建性にもかかわらず、学習技術や伝統的な再建技術と比べてアプローチは遅い。
計算課題に対処する2段階の学習パラダイムを開発する。
論文 参考訳（メタデータ） (2021-11-23T15:08:26Z) - Restormer: Efficient Transformer for High-Resolution Image Restoration [118.9617735769827]
畳み込みニューラルネットワーク(CNN)は、大規模データから一般化可能な画像の事前学習をうまく行う。
トランスフォーマーは、自然言語とハイレベルな視覚タスクにおいて、顕著なパフォーマンス向上を示している。
我々のモデルであるRecovery Transformer (Restormer) は、いくつかの画像復元タスクにおいて最先端の結果を得る。
論文 参考訳（メタデータ） (2021-11-18T18:59:10Z) - How to cheat with metrics in single-image HDR reconstruction [19.361293438802264]
近年, 深層学習に適した問題として, シングルイメージハイダイナミックレンジ (SI-The) 再構成が登場している。
本稿では、客観的な測定値の改善が、必ずしも視覚的に優れた画像に変換されるとは限らないことを強調する。
これらの結果が知覚された品質を表わさないこと、SI-再構成がより良い評価プロトコルを必要とすることを示します。
論文 参考訳（メタデータ） (2021-08-19T14:29:15Z) - Image Restoration by Deep Projected GSURE [115.57142046076164]
Ill-posed inverse problem は、デブロアリングや超解像など、多くの画像処理アプリケーションに現れる。
本稿では,一般化されたSteinUnbiased Risk Estimator(GSURE)の「投影変換」とCNNによる潜在画像のパラメータ化を含む損失関数の最小化に基づく,新たな画像復元フレームワークを提案する。
論文 参考訳（メタデータ） (2021-02-04T08:52:46Z) - Consistent Video Depth Estimation [57.712779457632024]
モノクロ映像中の全画素に対して, 密度, 幾何的に整合した深度を再構成するアルゴリズムを提案する。
動画中の画素の幾何的制約を確立するために、従来の動きから再構成した構造を利用する。
我々のアルゴリズムは、手持ちの映像をある程度のダイナミックな動きで処理することができる。
論文 参考訳（メタデータ） (2020-04-30T17:59:26Z) - Single-Image HDR Reconstruction by Learning to Reverse the Camera
Pipeline [100.5353614588565]
本稿では,LDR画像形成パイプラインの領域知識をモデルに組み込むことを提案する。
我々は,HDRto-LDR画像形成パイプラインを(1)ダイナミックレンジクリッピング,(2)カメラ応答関数からの非線形マッピング,(3)量子化としてモデル化する。
提案手法は,最先端の単一画像HDR再構成アルゴリズムに対して良好に動作することを示す。
論文 参考訳（メタデータ） (2020-04-02T17:59:04Z) - Deep Blind Video Super-resolution [85.79696784460887]
本稿では,ビデオSRを曖昧なカーネルモデリング手法により解くために,深層畳み込みニューラルネットワーク(CNN)モデルを提案する。
提案したCNNモデルは、動きのぼかし推定、動きの推定、遅延画像復元モジュールからなる。
提案アルゴリズムは, より微細な構造情報を用いて, より鮮明な画像を生成することができることを示す。
論文 参考訳（メタデータ） (2020-03-10T13:43:24Z)
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。