論文の概要: Single-image Defocus Deblurring by Integration of Defocus Map Prediction Tracing the Inverse Problem Computation

• arxiv url: http://arxiv.org/abs/2207.03047v1
• Date: Thu, 7 Jul 2022 02:15:33 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-09 03:51:31.265684
• Title: Single-image Defocus Deblurring by Integration of Defocus Map Prediction Tracing the Inverse Problem Computation
• Title（参考訳）: 逆問題計算を追跡するデフォーカスマップ予測の統合による単一画像デフォーカスデブラリング
• Authors: Qian Ye, Masanori Suganuma, Takayuki Okatani
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 25.438654895178686
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this paper, we consider the problem in defocus image deblurring. Previous classical methods follow two-steps approaches, i.e., first defocus map estimation and then the non-blind deblurring. In the era of deep learning, some researchers have tried to address these two problems by CNN. However, the simple concatenation of defocus map, which represents the blur level, leads to suboptimal performance. Considering the spatial variant property of the defocus blur and the blur level indicated in the defocus map, we employ the defocus map as conditional guidance to adjust the features from the input blurring images instead of simple concatenation. Then we propose a simple but effective network with spatial modulation based on the defocus map. To achieve this, we design a network consisting of three sub-networks, including the defocus map estimation network, a condition network that encodes the defocus map into condition features, and the defocus deblurring network that performs spatially dynamic modulation based on the condition features. Moreover, the spatially dynamic modulation is based on an affine transform function to adjust the features from the input blurry images. Experimental results show that our method can achieve better quantitative and qualitative evaluation performance than the existing state-of-the-art methods on the commonly used public test datasets.
• Abstract（参考訳）: 本稿では,デフォーカス画像の劣化問題について考察する。 従来の古典的手法は、2段階のアプローチ、すなわち、最初のデフォーカス写像推定と非盲点分解に従う。 ディープラーニングの時代、CNNによってこれらの2つの問題に対処しようとする研究者もいる。 しかし、ぼやけレベルを表すデフォーカス写像の単純な連結化は、準最適性能をもたらす。 ここでは,デフォーカスブラーの空間的変動特性とデフォーカスマップに示されるブラーレベルを考慮し,デフォーカスマップを条件付きガイダンスとして使用し,簡単な結合ではなく入力ブラー画像から特徴を調整する。 次に,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。 これを実現するために,デフォーカスマップ推定ネットワーク,デフォーカスマップをコンディション特徴にエンコードするコンディションネットワーク,条件特徴に基づいて空間的動的変調を行うデフォーカスデブラリングネットワークの3つのサブネットワークからなるネットワークを設計する。 さらに、空間的動的変調はアフィン変換関数に基づいて入力されたぼやけた画像から特徴を調整する。 実験の結果, 一般の公開テストデータセットにおいて, 既存の最先端手法よりも定量的, 質的評価性能が向上することが判明した。

関連論文リスト

• Reblurring-Guided Single Image Defocus Deblurring: A Learning Framework with Misaligned Training Pairs [65.25002116216771]
  本稿では,単一画像デフォーカス・デブロアリングのためのリブロアリング誘導学習フレームワークを提案する。 我々のリブラーリングモジュールは、デブラーレッド画像とリブラーレッド画像と入力ぼかし画像との空間的整合性を保証する。 我々は,典型的な誤認識を伴わない単一画像デフォーカスのための新しいデータセットを収集した。
  論文  参考訳（メタデータ） (2024-09-26T12:37:50Z)
• FocusTune: Tuning Visual Localization through Focus-Guided Sampling [61.79440120153917]
  FocusTuneは、視覚的ローカライゼーションアルゴリズムの性能を改善するための焦点誘導サンプリング技術である。 ACEの魅力ある低ストレージと計算要求を維持しながら、FocusTuneは最先端のパフォーマンスを改善したり、一致させたりします。 ハイパフォーマンスとローコンピュートとストレージの要件の組み合わせは、特にモバイルロボティクスや拡張現実といった分野のアプリケーションには有望だ。
  論文  参考訳（メタデータ） (2023-11-06T04:58:47Z)
• 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)
• Learning to Deblur using Light Field Generated and Real Defocus Images [4.926805108788465]
  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。
  論文  参考訳（メタデータ） (2022-04-01T11:35:51Z)
• 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)
• Learning to Estimate Kernel Scale and Orientation of Defocus Blur with Asymmetric Coded Aperture [19.472377706422474]
  一貫したインフォーカス入力画像は、動的環境を知覚する機械ビジョンシステムにとって不可欠な前提条件です。 デフォーカスブラーは視覚システムの性能を著しく低下させる。 デフォーカスボケのカーネルスケールと向きを推定し、レンズフォーカスを素早く調整するディープラーニングベースのフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-03-10T03:12:15Z)
• 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)
• 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。