論文の概要: Blind Image Deblurring with Unknown Kernel Size and Substantial Noise

• arxiv url: http://arxiv.org/abs/2208.09483v2
• Date: Fri, 15 Sep 2023 04:54:50 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-18 19:06:50.119118
• Title: Blind Image Deblurring with Unknown Kernel Size and Substantial Noise
• Title（参考訳）: 未知のカーネルサイズと実体雑音によるブラインド画像の劣化
• Authors: Zhong Zhuang, Taihui Li, Hengkang Wang, Ju Sun
• Abstract要約: BID (Blind Image Deblurring) はコンピュータビジョンや周辺分野で広く研究されている。 本稿では, 両者に対して安定な実用的BID手法を提案する。 提案手法は,物理モデルと構造化深層ニューラルネットワークを統合することで,逆問題を解決するという最近の考え方に基づいている。
• 参考スコア（独自算出の注目度）: 1.346207204106034
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Blind image deblurring (BID) has been extensively studied in computer vision and adjacent fields. Modern methods for BID can be grouped into two categories: single-instance methods that deal with individual instances using statistical inference and numerical optimization, and data-driven methods that train deep-learning models to deblur future instances directly. Data-driven methods can be free from the difficulty in deriving accurate blur models, but are fundamentally limited by the diversity and quality of the training data -- collecting sufficiently expressive and realistic training data is a standing challenge. In this paper, we focus on single-instance methods that remain competitive and indispensable. However, most such methods do not prescribe how to deal with unknown kernel size and substantial noise, precluding practical deployment. Indeed, we show that several state-of-the-art (SOTA) single-instance methods are unstable when the kernel size is overspecified, and/or the noise level is high. On the positive side, we propose a practical BID method that is stable against both, the first of its kind. Our method builds on the recent ideas of solving inverse problems by integrating the physical models and structured deep neural networks, without extra training data. We introduce several crucial modifications to achieve the desired stability. Extensive empirical tests on standard synthetic datasets, as well as real-world NTIRE2020 and RealBlur datasets, show the superior effectiveness and practicality of our BID method compared to SOTA single-instance as well as data-driven methods. The code of our method is available at: \url{https://github.com/sun-umn/Blind-Image-Deblurring}.
• Abstract（参考訳）: blind image deblurling (bid) はコンピュータビジョンや隣接分野で広く研究されている。 最新の入札方法は、統計的推論と数値最適化を使って個々のインスタンスを扱うシングルインスタンスメソッドと、ディープラーニングモデルをトレーニングして将来のインスタンスを直接デブラリングするデータ駆動メソッドの2つのカテゴリに分類できる。 データ駆動の手法は、正確な曖昧なモデルを導き出すことの難しさから解放されるが、トレーニングデータの多様性と品質によって根本的に制限されている。 本稿では,競争的かつ不可欠であり続けるシングルインスタンス手法に着目する。 しかし、そのような手法の多くは、未知のカーネルサイズと実質的なノイズに対処する方法を規定していない。 実際、カーネルサイズが過度に指定された場合、および/またはノイズレベルが高い場合、いくつかの現状(SOTA)シングルインスタンス法が不安定であることを示す。 肯定的な側面から, 両者に対して安定な実用的BID法を提案する。 本手法は, 物理モデルと構造化深層ニューラルネットワークを, トレーニングデータなしで統合することで, 逆問題を解くという最近の考え方に基づいている。 所望の安定性を達成するためにいくつかの重要な修正を導入する。 標準合成データセットおよび実世界のNTIRE2020およびRealBlurデータセットに対する広範な実証実験は、SOTA単一インスタンスやデータ駆動手法と比較して、我々のBID手法の有効性と実用性を示している。 このメソッドのコードは、 \url{https://github.com/sun-umn/blind-image-deblurring} で入手できる。

関連論文リスト

• Truncated Consistency Models [57.50243901368328]
  トレーニング一貫性モデルは、PF ODE 軌道に沿ったすべての中間点を対応するエンドポイントにマッピングする学習を必要とする。 このトレーニングパラダイムが一貫性モデルの1ステップ生成性能を制限することを実証的に見出した。 整合性関数の新しいパラメータ化と2段階の訓練手順を提案し,時間外学習が崩壊することを防ぐ。
  論文  参考訳（メタデータ） (2024-10-18T22:38:08Z)
• Adversarial Robustification via Text-to-Image Diffusion Models [56.37291240867549]
  アドリラルロバスト性は、ニューラルネットワークをエンコードする難しい性質として伝統的に信じられてきた。 データを使わずに敵の堅牢性を実現するために,スケーラブルでモデルに依存しないソリューションを開発した。
  論文  参考訳（メタデータ） (2024-07-26T10:49:14Z)
• Optimal Parameter and Neuron Pruning for Out-of-Distribution Detection [36.4610463573214]
  我々は,textbfOptimal textbfParameter と textbfNeuron textbfPruning (textbfOPNP) アプローチを提案し,OODサンプルを検出する。 我々の提案は、トレーニングフリーで、他のポストホックメソッドと互換性があり、すべてのトレーニングデータから情報を探索する。
  論文  参考訳（メタデータ） (2024-02-04T07:31:06Z)
• Efficient Transfer Learning in Diffusion Models via Adversarial Noise [21.609168219488982]
  拡散確率モデル (DPM) は画像生成タスクにおいて大きな可能性を証明している。 GANのような以前の研究は、十分なデータで学習したトレーニング済みモデルを転送することで、限られたデータ問題に対処してきた。 限られたデータ問題に対処するために,新しいDPMに基づくトランスファー学習手法であるTANを提案する。
  論文  参考訳（メタデータ） (2023-08-23T06:44:44Z)
• BOOT: Data-free Distillation of Denoising Diffusion Models with Bootstrapping [64.54271680071373]
  拡散モデルは多様な画像を生成する優れた可能性を示している。 知識蒸留は、推論ステップの数を1つか数に減らすための治療法として最近提案されている。 本稿では,効率的なデータフリー蒸留アルゴリズムにより限界を克服するBOOTと呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-06-08T20:30:55Z)
• Deep Active Learning with Noise Stability [24.54974925491753]
  ラベルのないデータの不確実性推定は、アクティブな学習に不可欠である。 本稿では,雑音の安定性を利用して不確実性を推定する新しいアルゴリズムを提案する。 本手法はコンピュータビジョン,自然言語処理,構造データ解析など,様々なタスクに適用可能である。
  論文  参考訳（メタデータ） (2022-05-26T13:21:01Z)
• Unsupervised Noisy Tracklet Person Re-identification [100.85530419892333]
  本稿では,非照合トラックレットデータから識別的人物再識別モデルを訓練できる選択的トラックレット学習(STL)手法を提案する。 これにより、カメラビュー全体で人物の画像/トラックレットの真のマッチングペアを完全にラベル付けする面倒でコストのかかるプロセスが回避されます。 提案手法は生トラックレットの任意のノイズデータに対して特に頑健であるため,制約のない追跡データから識別モデル学習にスケーラブルである。
  論文  参考訳（メタデータ） (2021-01-16T07:31:00Z)
• Attentional-Biased Stochastic Gradient Descent [74.49926199036481]
  深層学習におけるデータ不均衡やラベルノイズ問題に対処するための証明可能な手法(ABSGD)を提案する。 本手法は運動量SGDの簡易な修正であり,各試料に個別の重み付けを行う。 ABSGDは追加コストなしで他の堅牢な損失と組み合わせられるほど柔軟である。
  論文  参考訳（メタデータ） (2020-12-13T03:41:52Z)
• An Online Method for A Class of Distributionally Robust Optimization with Non-Convex Objectives [54.29001037565384]
  本稿では,オンライン分散ロバスト最適化(DRO)のクラスを解決するための実用的なオンライン手法を提案する。 本研究は,ネットワークの堅牢性向上のための機械学習における重要な応用を実証する。
  論文  参考訳（メタデータ） (2020-06-17T20:19:25Z)

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。