論文の概要: BokehMe: When Neural Rendering Meets Classical Rendering

• arxiv url: http://arxiv.org/abs/2206.12614v1
• Date: Sat, 25 Jun 2022 10:00:32 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-28 15:16:21.294480
• Title: BokehMe: When Neural Rendering Meets Classical Rendering
• Title（参考訳）: BokehMe: ニューラルレンダリングが古典的なレンダリングと出会うとき
• Authors: Juewen Peng, Zhiguo Cao, Xianrui Luo, Hao Lu, Ke Xian, Jianming Zhang
• Abstract要約: 本稿では,ボケのハイブリッドレンダリングフレームワークであるBokehMeを提案する。 BokehMeは、調整可能なぼかしサイズ、焦点面、開口形状で高解像度のフォトリアリスティック効果を生成する。 提案手法は, 合成画像データと実画像データの両方において, 予測された相違点とを比較検討した。
• 参考スコア（独自算出の注目度）: 39.745037342608846
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose BokehMe, a hybrid bokeh rendering framework that marries a neural renderer with a classical physically motivated renderer. Given a single image and a potentially imperfect disparity map, BokehMe generates high-resolution photo-realistic bokeh effects with adjustable blur size, focal plane, and aperture shape. To this end, we analyze the errors from the classical scattering-based method and derive a formulation to calculate an error map. Based on this formulation, we implement the classical renderer by a scattering-based method and propose a two-stage neural renderer to fix the erroneous areas from the classical renderer. The neural renderer employs a dynamic multi-scale scheme to efficiently handle arbitrary blur sizes, and it is trained to handle imperfect disparity input. Experiments show that our method compares favorably against previous methods on both synthetic image data and real image data with predicted disparity. A user study is further conducted to validate the advantage of our method.
• Abstract（参考訳）: 本稿では,古典的な物理動機を持つレンダラーとニューラルレンダラーを結合したハイブリッドボケレンダリングフレームワークBokehMeを提案する。 単一の画像と潜在的に不完全な不一致マップが与えられると、ボケメは、調整可能なボケサイズ、焦点平面、開口形状で高分解能なフォトリアリスティックボケ効果を生成する。 そこで本研究では,従来の散乱法から誤差を分析し,定式化して誤差マップを算出する。 この定式化に基づき,散乱に基づく手法により古典的レンダラを実装し,古典的レンダラから誤った領域を修正する2段階のニューラルネットワークレンダラを提案する。 ニューラルレンダラーは、任意のブラーサイズを効率的に扱うために動的マルチスケールスキームを使用し、不完全不均一入力を処理するように訓練されている。 提案手法は, 合成画像データと実画像データの両方において, 従来手法と好適に比較できることを示す。 さらに,本手法の利点を検証するため,ユーザ調査を行った。

関連論文リスト

• ExposureDiffusion: Learning to Expose for Low-light Image Enhancement [87.08496758469835]
  この研究は、拡散モデルと物理ベースの露光モデルとをシームレスに統合することで、この問題に対処する。 提案手法は,バニラ拡散モデルと比較して性能が大幅に向上し,推論時間を短縮する。 提案するフレームワークは、実際のペア付きデータセット、SOTAノイズモデル、および異なるバックボーンネットワークの両方で動作する。
  論文  参考訳（メタデータ） (2023-07-15T04:48:35Z)
• 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)
• 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)
• MPIB: An MPI-Based Bokeh Rendering Framework for Realistic Partial Occlusion Effects [39.74503734260885]
  我々はMPIBと呼ばれる新しいMPPIベースの高解像度ボケレンダリングフレームワークを提案する。 MPI表現モジュールと背景塗装モジュールを組み合わせることで,高解像度シーン表現を実現する。 この表現は、制御パラメータに従って様々なボケ効果をレンダリングするために再利用することができる。
  論文  参考訳（メタデータ） (2022-07-18T06:27:24Z)
• Deblurring via Stochastic Refinement [85.42730934561101]
  条件付き拡散モデルに基づくブラインドデブロアリングのための代替フレームワークを提案する。 提案手法は,PSNRなどの歪み指標の点で競合する。
  論文  参考訳（メタデータ） (2021-12-05T04:36:09Z)
• Natural & Adversarial Bokeh Rendering via Circle-of-Confusion Predictive Network [25.319666328268116]
  Bokeh効果は被写界深度が浅い現象で、写真では焦点がぼやけている。 我々は、全く新しい問題、すなわち自然と敵対的なボケのレンダリングについて研究する。 本稿では,データ駆動方式と物理認識方式のそれぞれの利点を生かして,ハイブリッドな代替案を提案する。
  論文  参考訳（メタデータ） (2021-11-25T09:08:45Z)
• Efficient and Differentiable Shadow Computation for Inverse Problems [64.70468076488419]
  微分可能幾何計算は画像に基づく逆問題に対する関心が高まっている。 微分可能な可視性とソフトシャドウ計算のための効率的かつ効率的なアプローチを提案する。 定式化は微分可能であるため, テクスチャ, 照明, 剛体ポーズ, 画像からの変形回復などの逆問題を解くために使用できる。
  論文  参考訳（メタデータ） (2021-04-01T09:29:05Z)
• Deep Variational Network Toward Blind Image Restoration [60.45350399661175]
  ブラインド画像復元はコンピュータビジョンでは一般的だが難しい問題である。 両利点を両立させることを目的として,新しいブラインド画像復元手法を提案する。 画像デノイングと超解像という2つの典型的なブラインド赤外線タスクの実験により,提案手法が現状よりも優れた性能を達成できることが実証された。
  論文  参考訳（メタデータ） (2020-08-25T03:30:53Z)
• Deblurring by Realistic Blurring [110.54173799114785]
  本稿では,BGAN(Learning-to-blurr GAN)とDBGAN(Learning-to-DeBlur GAN)の2つのモデルを組み合わせた新しい手法を提案する。 第1のモデルであるBGANは、未ペアのシャープでぼやけた画像セットでシャープな画像をぼやかす方法を学習し、第2のモデルであるDBGANをガイドして、そのような画像を正しくデブロアする方法を学ぶ。 さらなる貢献として,多様なぼやけた画像を含むRWBIデータセットについても紹介する。
  論文  参考訳（メタデータ） (2020-04-04T05:25:15Z)

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。