論文の概要: Video Restoration with a Deep Plug-and-Play Prior

• arxiv url: http://arxiv.org/abs/2209.02854v1
• Date: Tue, 6 Sep 2022 23:31:20 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-08 12:18:42.682554
• Title: Video Restoration with a Deep Plug-and-Play Prior
• Title（参考訳）: プラグイン・アンド・プレイによるビデオ再生
• Authors: Antoine Monod, Julie Delon, Matias Tassano, Andr\'es Almansa
• Abstract要約: 本稿では,Deep Plug-and-Play(Play)アプローチによるデジタルビデオの復元手法を提案する。 形式主義の下では、この方法は前者の演算子の代わりにディープ・コンボリューショナル・ベイズ・デノナイジング・ネットワークを使用することによって構成される。 ビデオデブロアリング,超高分解能,および近位ランダム欠落画素を用いた実験は,ビデオデノイング用に特別に設計されたネットワークを使用する上で,明らかなメリットを示している。
• 参考スコア（独自算出の注目度）: 3.058685580689605
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: This paper presents a novel method for restoring digital videos via a Deep Plug-and-Play (PnP) approach. Under a Bayesian formalism, the method consists in using a deep convolutional denoising network in place of the proximal operator of the prior in an alternating optimization scheme. We distinguish ourselves from prior PnP work by directly applying that method to restore a digital video from a degraded video observation. This way, a network trained once for denoising can be repurposed for other video restoration tasks. Our experiments in video deblurring, super-resolution, and interpolation of random missing pixels all show a clear benefit to using a network specifically designed for video denoising, as it yields better restoration performance and better temporal stability than a single image network with similar denoising performance using the same PnP formulation. Moreover, our method compares favorably to applying a different state-of-the-art PnP scheme separately on each frame of the sequence. This opens new perspectives in the field of video restoration.
• Abstract（参考訳）: 本稿では,Deep Plug-and-Play(PnP)アプローチによるデジタルビデオの復元手法を提案する。 ベイズ形式主義の下では、この方法は、交代最適化スキームにおいて、前者の近位作用素の代わりに深い畳み込み分母ネットワークを使用する。 我々は、その手法を直接適用して、劣化したビデオ観察からデジタル映像を復元することで、以前のPnP作業と区別する。 これにより、一度訓練されたネットワークを他のビデオ復元タスクに再利用することができる。 ビデオデブラリング,超解像,および不規則欠落画素の補間実験では,同一のpnp方式を用いた同一画像ネットワークに比べて復元性能が向上し,時間安定性が向上するため,映像デブロリング専用ネットワークを用いることで明らかなメリットが得られた。 さらに,本手法は,各フレーム毎に異なる最先端pnp方式を適用する場合と比較して好適である。 これは、ビデオ復元の分野で新しい視点を開く。

関連論文リスト

• Video Event Restoration Based on Keyframes for Video Anomaly Detection [9.18057851239942]
  既存のディープニューラルネットワークベースの異常検出(VAD)手法は、主にフレーム再構成やフレーム予測の経路に従う。 これらの制限を突破するために、新しいVADパラダイムを導入します。 本稿では,ビデオイベント復元のためのU字型スイニングトランスフォーマーネットワーク (USTN-DSC) を提案する。
  論文  参考訳（メタデータ） (2023-04-11T10:13:19Z)
• Deep Video Prior for Video Consistency and Propagation [58.250209011891904]
  視覚的ビデオの時間的整合性に対する新規で一般的なアプローチを提案する。 提案手法は,大規模なデータセットではなく,オリジナルビデオとプロセッシングビデオのペアでのみ訓練される。 我々は、Deep Video Priorでビデオ上で畳み込みニューラルネットワークをトレーニングすることで、時間的一貫性を実現することができることを示す。
  論文  参考訳（メタデータ） (2022-01-27T16:38:52Z)
• Learning Long-Term Style-Preserving Blind Video Temporal Consistency [6.6908747077585105]
  本論文では, 映像に適用される変換を, 繰り返しニューラルネットワークという形で後処理モデルを提案する。 我々のモデルは、最近GANビデオ生成のために導入されたPing Pongプロシージャとそれに対応する損失を用いて訓練されている。 DAVISとvidevo.netデータセットのモデルを評価し、フリック除去に関する最先端の結果を提供することを示す。
  論文  参考訳（メタデータ） (2021-03-12T13:54:34Z)
• Learning Spatial and Spatio-Temporal Pixel Aggregations for Image and Video Denoising [104.59305271099967]
  ピクセル集計ネットワークを提示し、画像デノイジングのためのピクセルサンプリングと平均戦略を学びます。 時間空間にまたがるサンプル画素をビデオデノナイズするための画素集約ネットワークを開発した。 本手法は,動的シーンにおける大きな動きに起因する誤認問題を解決することができる。
  論文  参考訳（メタデータ） (2021-01-26T13:00:46Z)
• Blind Video Temporal Consistency via Deep Video Prior [61.062900556483164]
  視覚的ビデオの時間的整合性に対する新規で一般的なアプローチを提案する。 本手法は,一対のオリジナルビデオとプロセッシングビデオを直接トレーニングするのみである。 本稿では,Deep Video Priorを用いてビデオ上の畳み込みネットワークをトレーニングすることにより,時間的一貫性を実現することができることを示す。
  論文  参考訳（メタデータ） (2020-10-22T16:19:20Z)
• A Deep-Unfolded Reference-Based RPCA Network For Video Foreground-Background Separation [86.35434065681925]
  本稿では,ロバスト主成分分析(RPCA)問題に対するディープアンフォールディングに基づくネットワーク設計を提案する。 既存の設計とは異なり,本手法は連続するビデオフレームのスパース表現間の時間的相関をモデル化することに焦点を当てている。 移動MNISTデータセットを用いた実験により、提案したネットワークは、ビデオフォアグラウンドとバックグラウンドの分離作業において、最近提案された最先端のRPCAネットワークより優れていることが示された。
  論文  参考訳（メタデータ） (2020-10-02T11:40:09Z)
• Plug-and-Play Image Restoration with Deep Denoiser Prior [186.84724418955054]
  モデルに基づく手法では,デノイザが暗黙的に画像として機能し,多くの逆問題に対処できることを示す。 非常に柔軟で効果的なCNNデノイザをトレーニングする前に、ベンチマークディープデノイザを設定しました。 次に, 2次分割に基づくイテレーティブアルゴリズムを用いて, 画像復元問題の解法を提案する。
  論文  参考訳（メタデータ） (2020-08-31T17:18:58Z)
• The Power of Triply Complementary Priors for Image Compressive Sensing [89.14144796591685]
  本稿では,一対の相補的な旅先を含むLRD画像モデルを提案する。 次に、画像CSのためのRDモデルに基づく新しいハイブリッド・プラグイン・アンド・プレイ・フレームワークを提案する。 そこで,提案したH-based image CS問題の解法として,単純で効果的なアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-05-16T08:17:44Z)
• Restore from Restored: Video Restoration with Pseudo Clean Video [28.057705167363327]
  自己管理型ビデオ復号化手法"restore-from-restored"を提案する。 テストフェーズ中に擬似クリーンビデオを用いて事前学習ネットワークを微調整する。 提案した自己超越型学習アルゴリズムを用いて、微調整ビデオ復調ネットワークの復元性能を解析する。
  論文  参考訳（メタデータ） (2020-03-09T17:37:28Z)

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。