論文の概要: Learning to Deblur using Light Field Generated and Real Defocus Images
- arxiv url: http://arxiv.org/abs/2204.00367v1
- Date: Fri, 1 Apr 2022 11:35:51 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-04 15:23:56.164156
- Title: Learning to Deblur using Light Field Generated and Real Defocus Images
- Title（参考訳）: 光フィールド生成と実デフォーカス画像を用いたデブラル学習
- Authors: Lingyan Ruan, Bin Chen, Jizhou Li, Miuling Lam
- Abstract要約: デフォーカス・デブロワーリングは、デフォーカス・ボケの性質が空間的に変化するため、困難な作業である。
本稿では,光の強度を活用し,光源の欠点を克服する新しいディープデフォーカス・デブロアリング・ネットワークを提案する。
- 参考スコア（独自算出の注目度）: 4.926805108788465
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Defocus deblurring is a challenging task due to the spatially varying nature
of defocus blur. While deep learning approach shows great promise in solving
image restoration problems, defocus deblurring demands accurate training data
that consists of all-in-focus and defocus image pairs, which is difficult to
collect. Naive two-shot capturing cannot achieve pixel-wise correspondence
between the defocused and all-in-focus image pairs. Synthetic aperture of light
fields is suggested to be a more reliable way to generate accurate image pairs.
However, the defocus blur generated from light field data is different from
that of the images captured with a traditional digital camera. In this paper,
we propose a novel deep defocus deblurring network that leverages the strength
and overcomes the shortcoming of light fields. We first train the network on a
light field-generated dataset for its highly accurate image correspondence.
Then, we fine-tune the network using feature loss on another dataset collected
by the two-shot method to alleviate the differences between the defocus blur
exists in the two domains. This strategy is proved to be highly effective and
able to achieve the state-of-the-art performance both quantitatively and
qualitatively on multiple test sets. Extensive ablation studies have been
conducted to analyze the effect of each network module to the final
performance.
- Abstract（参考訳）: デフォーカス・デブロワーリングは、デフォーカス・ボケの性質が空間的に変化するため、困難な作業である。
深層学習のアプローチは画像復元の問題を解決する上で大きな可能性を秘めているが、デフォーカスの除去は、収集が難しいオールインフォーカスとデフォーカスの画像ペアからなる正確なトレーニングデータを要求する。
単焦点画像対と全焦点画像対の画素ワイズ対応が達成できない。
光場の合成開口は、正確な画像対を生成するより信頼できる方法であることが示唆されている。
しかし、電界データから発生するデフォーカスのぼかしは、従来のデジタルカメラで撮影された画像とは異なる。
本稿では,その強度を活かし,光場の欠点を克服した,新しい深部デフォーカスデブラリングネットワークを提案する。
まず,高精細な画像対応のために,ライトフィールド生成データセット上でネットワークをトレーニングする。
次に、2ショット法で収集した他のデータセットに特徴損失を用いてネットワークを微調整し、2つの領域に存在するデフォーカスのぼかしの違いを緩和する。
この戦略は非常に効果的であることが証明され、複数のテストセット上で定量的かつ質的に最先端のパフォーマンスを達成することができる。
各ネットワークモジュールが最終的な性能に与える影響を解析するために、広範囲にわたるアブレーション研究が行われた。
関連論文リスト
- Towards Real-World Focus Stacking with Deep Learning [97.34754533628322]
焦点ブラケットを用いた94個の高解像度原画像のバーストからなる新しいデータセットを提案する。
このデータセットは、現実世界のアプリケーションに十分な長さのバーストを処理できるフォーカススタックのための最初のディープラーニングアルゴリズムをトレーニングするために使用される。
論文 参考訳（メタデータ） (2023-11-29T17:49:33Z) - 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) - 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) - Multi-task Learning for Monocular Depth and Defocus Estimations with
Real Images [3.682618267671887]
既存の手法の多くは、深度推定とデフォーカス推定を2つの別々のタスクとして扱い、それら間の強いつながりを無視している。
本稿では、2つのデコーダを持つエンコーダからなるマルチタスク学習ネットワークを提案し、単一の焦点画像から深度とデフォーカスマップを推定する。
我々の深度とデフォーカス推定は、他の最先端アルゴリズムよりも大幅に性能が向上する。
論文 参考訳（メタデータ） (2022-08-21T08:59:56Z) - Single-image Defocus Deblurring by Integration of Defocus Map Prediction
Tracing the Inverse Problem Computation [25.438654895178686]
本稿では,デフォーカスマップに基づく空間変調を用いた簡易かつ効果的なネットワークを提案する。
実験結果から,本手法は既存の最先端手法よりも定量的,定性的な評価性能を向上できることが示された。
論文 参考訳（メタデータ） (2022-07-07T02:15:33Z) - Defocus Map Estimation and Deblurring from a Single Dual-Pixel Image [54.10957300181677]
本稿では,1枚のデュアルピクセルイメージを入力として,画像のデフォーカスマップを同時に推定する手法を提案する。
本手法は,デフォーカスマップ推定とぼかし除去の両方において,教師なしでも事前作業を改善する。
論文 参考訳（メタデータ） (2021-10-12T00:09:07Z) - 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) - Defocus Blur Detection via Salient Region Detection Prior [11.5253648614748]
Defocus blur Detectionは、写真のアウト・オブ・フォーカスとディープ・オブ・フィールドの領域を分離することを目的としている。
本稿では,デフォーカスブラー検出のための新しいネットワークを提案する。
論文 参考訳（メタデータ） (2020-11-19T05:56:11Z) - 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) - Rapid Whole Slide Imaging via Learning-based Two-shot Virtual
Autofocusing [57.90239401665367]
ホイルスライドイメージング(WSI)は、デジタル病理の新たな技術である。
本稿では,リフォーカスを行うための機械的調整に依存しないテキスト仮想オートフォーカスの概念を提案する。
論文 参考訳（メタデータ） (2020-03-14T13:40:33Z)
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。