論文の概要: Deblurring Photographs of Characters Using Deep Neural Networks
- arxiv url: http://arxiv.org/abs/2205.15053v2
- Date: Tue, 31 May 2022 07:45:45 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-01 12:06:58.868715
- Title: Deblurring Photographs of Characters Using Deep Neural Networks
- Title（参考訳）: ディープニューラルネットワークを用いた文字のデブラリング
- Authors: Thomas Germer, Tobias Uelwer and Stefan Harmeling
- Abstract要約: 我々はヘルシンキ・デブロワー・チャレンジ(HDC 2021)へのアプローチを提示する。
課題は、ポイントスプレッド機能(PSF)を知らずに文字のイメージを損なうことである。
まず,鮮明な画像と鮮明な画像との整合性を推定し,第2に準ニュートン法を用いてPSFを推定し,第3に,鮮明な画像から鮮明な画像を再構成するための深部畳み込みニューラルネットワークを訓練する。
- 参考スコア（独自算出の注目度）: 0.5156484100374059
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper, we present our approach for the Helsinki Deblur Challenge
(HDC2021). The task of this challenge is to deblur images of characters without
knowing the point spread function (PSF). The organizers provided a dataset of
pairs of sharp and blurred images. Our method consists of three steps: First,
we estimate a warping transformation of the images to align the sharp images
with the blurred ones. Next, we estimate the PSF using a quasi-Newton method.
The estimated PSF allows to generate additional pairs of sharp and blurred
images. Finally, we train a deep convolutional neural network to reconstruct
the sharp images from the blurred images. Our method is able to successfully
reconstruct images from the first 10 stages of the HDC 2021 data. Our code is
available at https://github.com/hhu-machine-learning/hdc2021-psfnn.
- Abstract（参考訳）: 本稿では,Helsinki Deblur Challenge (HDC2021)の取り組みについて述べる。
この課題の課題は、ポイントスプレッド機能(PSF)を知らずに文字のイメージを損なうことである。
主催者は鮮明でぼやけた画像のデータセットを提供した。
まず,鮮明な画像とぼやけた画像とを一致させるために,画像の歪み変換を推定する。
次に準ニュートン法を用いてPSFを推定する。
推定されたPSFは、鮮明でぼやけた画像を新たに生成することができる。
最後に,深層畳み込みニューラルネットワークを訓練し,ぼやけた画像からシャープな画像を再構成する。
本手法は,HDC 2021データの最初の10段階から画像の再構成に成功した。
私たちのコードはhttps://github.com/hhu-machine-learning/hdc2021-psfnnで利用可能です。
関連論文リスト
- LDP: Language-driven Dual-Pixel Image Defocus Deblurring Network [20.42001628066274]
対照的な言語画像事前学習フレームワーク(CLIP)を導入し,DPペアのぼかしマップを教師なしで正確に推定する。
提案手法は,広範囲な実験において最先端の性能を実現する。
論文 参考訳（メタデータ） (2023-07-19T08:03:53Z) - 1st Solution Places for CVPR 2023 UG$^2$+ Challenge Track 2.2-Coded
Target Restoration through Atmospheric Turbulence [12.484269899245515]
本報告では,CVPR 2023 UG$2$+トラック2.2における大気乱流によるターゲット復元のためのVIELab-HUSTの解について紹介する。
歪んだフレームから高品質な画像を復元するための効率的な多段階フレームワークを提案する。
我々のフレームワークは、最終テストフェーズで提供されるさまざまな種類のコード化されたターゲットデータセットを処理でき、最終リーダーボードで1位にランクインしています。
論文 参考訳（メタデータ） (2023-06-15T09:06:48Z) - NBD-GAP: Non-Blind Image Deblurring Without Clean Target Images [79.33220095067749]
良好な性能を得るためには、トレーニングには大量のぼやけたクリーンなイメージペアが必要である。
テスト中のぼやけた画像とぼやけたカーネルが、トレーニング中に使用するものとは大きく異なる場合、ディープネットワークはよく機能しないことが多い。
論文 参考訳（メタデータ） (2022-09-20T06:21:11Z) - Deep Facial Synthesis: A New Challenge [75.99659340231078]
まず,FS2Kという,2,104のイメージスケッチペアからなる高品質なFSSデータセットを提案する。
第2に, 古典的手法139点を調査し, 最大規模のFSSについて検討した。
第3に、FSGANという単純なFSSのベースラインを提示する。
論文 参考訳（メタデータ） (2021-12-31T13:19:21Z) - 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) - 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) - Beyond Joint Demosaicking and Denoising: An Image Processing Pipeline
for a Pixel-bin Image Sensor [0.883717274344425]
Pixel binningは、スマートフォンカメラのハードウェア制限に対処する最も顕著なソリューションの1つだと考えられている。
本稿では,新しい学習手法を導入することで,このような画像センサ上でのJDD(Joint Desaicing and Denoising)の課題に対処する。
提案手法は,視覚可能な画像を生成するための2つの新しい知覚損失を含む多項目的関数によって導かれる。
論文 参考訳（メタデータ） (2021-04-19T15:41:28Z) - Deep Artifact-Free Residual Network for Single Image Super-Resolution [0.2399911126932526]
本研究では,残差学習の利点と,地中構造像を目標として用いることの利点を活かしたDAFR(Deep Artifact-Free Residual)ネットワークを提案する。
我々のフレームワークは、高品質な画像再構成に必要な高周波情報を抽出するために、ディープモデルを用いている。
実験の結果,提案手法は既存の手法に比べて定量的,定性的な画像品質を実現することがわかった。
論文 参考訳（メタデータ） (2020-09-25T20:53:55Z) - SCAN: Learning to Classify Images without Labels [73.69513783788622]
機能学習とクラスタリングを分離する2段階のアプローチを提唱する。
表現学習からの自己教師型タスクを用いて意味論的意味のある特徴を得る。
我々は、ImageNet上で有望な結果を得、低データ体制下では、いくつかの半教師付き学習方法より優れています。
論文 参考訳（メタデータ） (2020-05-25T18:12:33Z) - 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。