論文の概要: Uncertainty-Aware Unsupervised Image Deblurring with Deep Priors Guided
by Domain Knowledge
- arxiv url: http://arxiv.org/abs/2210.05361v1
- Date: Sun, 9 Oct 2022 11:10:59 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-12 16:22:07.301035
- Title: Uncertainty-Aware Unsupervised Image Deblurring with Deep Priors Guided
by Domain Knowledge
- Title(参考訳): ドメイン知識を駆使した深層優先画像の不確かさ認識
- Authors: Xiaole Tang, Xile Zhao, Jun Liu, Jianli Wang, Yuchun Miao, Tieyong
Zeng
- Abstract要約: カーネルエラーは実際には避けられないため、リングアーティファクトは非盲検でしばしば導入される。
本稿では,ぼやけた画像から潜像を復元し,不正確なぼやけたカーネルを復元する,教師なしセミブレンドデブロアリングモデルを提案する。
- 参考スコア(独自算出の注目度): 23.417096880297702
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Non-blind deblurring methods achieve decent performance under the accurate
blur kernel assumption. Since the kernel error is inevitable in practice,
ringing artifacts are often introduced by non-blind deblurring. Recently,
semi-blind deblurring methods can handle kernel uncertainty by introducing the
prior of the kernel (or induced) error. However, how to design a suitable prior
for the kernel (or induced) error remains challenging. Hand-crafted prior,
incorporating domain knowledge, generally performs well but may lead to poor
performance when kernel (or induced) error is complex. Data-driven prior, which
excessively depends on the diversity and abundance of training data, is
vulnerable to out-of-distribution blurs and images. To address this challenge,
we suggest a data-free deep prior for the kernel induced error (termed as
residual) expressed by a customized untrained deep neural network, which allows
us to flexibly adapt to different blurs and images in real scenarios. By
organically integrating the respective strengths of deep priors and
hand-crafted priors, we propose an unsupervised semi-blind deblurring model
which recovers the latent image from the blurry image and inaccurate blur
kernel. To tackle the formulated model, an efficient alternating minimization
algorithm is developed. Extensive experiments demonstrate the superiority of
the proposed method to both data-driven prior and hand-crafted prior based
methods in terms of the image quality and the robustness to the kernel error.
- Abstract(参考訳): 非ブラインドデブロワー法は、正確なぼやけたカーネル仮定の下で良好な性能を達成する。
実際にはカーネルエラーは避けられないため、リングアーティファクトは非盲検でしばしば導入される。
近年、セミブレンドデブロアリング法は、カーネルの事前(または誘導)エラーを導入することで、カーネルの不確実性を扱うことができる。
しかし、カーネル(または誘導エラー)の適切な事前設計方法はまだ難しいままである。
ドメイン知識を組み込んだ手作りの事前処理は一般的にはうまく機能するが、カーネル(または誘導)エラーが複雑である場合、パフォーマンスが低下する可能性がある。
トレーニングデータの多様性と多さに過度に依存するデータ駆動事前は、アウト・オブ・ディストリビューションの曖昧さやイメージに対して脆弱である。
この課題に対処するために、カスタマイズされた未トレーニングのディープニューラルネットワークによって表現されるカーネル誘導エラー(残留と判定される)に対して、データフリーのディープ前処理を提案する。
深部プリエントと手作りプリエントのそれぞれの強度を有機的に統合することにより,ぼかし画像と不正確なぼかしカーネルから潜在画像を復元する非教師付き半ブリンドデブラリングモデルを提案する。
定式化モデルに対処するため,効率的な交互最小化アルゴリズムを開発した。
画像品質とカーネルエラーに対する堅牢性の観点から,データ駆動型先行法と手作り型先行法の両方に対して提案手法が優れていることを示す。
関連論文リスト
- Meta-Learned Kernel For Blind Super-Resolution Kernel Estimation [22.437479940607332]
本稿では,画像の分布に含まれる情報からメタ学習を行う学習学習アプローチを提案する。
提案手法は,既存手法よりも14.24~102.1倍高速に推算できることを示す。
論文 参考訳(メタデータ) (2022-12-15T15:11:38Z) - Unfolded Deep Kernel Estimation for Blind Image Super-resolution [23.798845090992728]
ブラインド画像超解像(BISR)は、未知のぼやけたカーネルとノイズによって劣化した低解像度画像から高解像度画像を再構成することを目的としている。
我々は,我々の最良知識に対して初めて,データ項を高効率で明示的に解く,新しい展開深層カーネル推定法 (UDKE) を提案する。
論文 参考訳(メタデータ) (2022-03-10T07:54:59Z) - Learning Discriminative Shrinkage Deep Networks for Image Deconvolution [122.79108159874426]
本稿では,これらの用語を暗黙的にモデル化する識別的縮小関数を学習することで,効果的に非盲検デコンボリューション手法を提案する。
実験結果から,提案手法は最先端の手法に対して,効率と精度の点で好適に動作することがわかった。
論文 参考訳(メタデータ) (2021-11-27T12:12:57Z) - A Deep Variational Bayesian Framework for Blind Image Deblurring [46.585763459441154]
ブラインド画像の劣化は、低レベルの視覚において重要な問題であるが、非常に難しい問題である。
視覚障害者のための深い変分ベイズ的枠組みを提案する。
論文 参考訳(メタデータ) (2021-06-05T12:47:36Z) - Flow-based Kernel Prior with Application to Blind Super-Resolution [143.21527713002354]
カーネル推定は一般にブラインド画像超解像(SR)の鍵となる問題の一つである
本稿では,カーネルモデリングのための正規化フローベースカーネルプリレント(fkp)を提案する。
合成および実世界の画像の実験により、提案したFKPがカーネル推定精度を大幅に向上することを示した。
論文 参考訳(メタデータ) (2021-03-29T22:37:06Z) - Blind Image Deblurring based on Kernel Mixture [0.0]
この論文は、ボケカーネルの構造を調節する。
ガウスカーネルをベースカーネルとして使用しながら,カーネル混合構造を提案する。
データ駆動による基本カーネルの数の決定により、構造はさらに柔軟になる。
論文 参考訳(メタデータ) (2021-01-15T17:56:37Z) - Deep Variational Network Toward Blind Image Restoration [55.33102369856991]
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) - Blur Invariant Kernel-Adaptive Network for Single Image Blind deblurring [0.886014926770622]
本稿では,ぼやけたカーネルに関する情報を利用する,新しい,目が見えない,シングルイメージのデブロアリング手法を提案する。
まず、ぼやけた画像の分析に基づいて、適応的なぼやけたカーネルを生成するカーネル推定ネットワークを導入する。
本稿では,推定したぼやけたカーネルを用いて,シャープな画像を復元するデブロワーリングネットワークを提案する。
論文 参考訳(メタデータ) (2020-07-09T03:53:33Z) - End-to-end Interpretable Learning of Non-blind Image Deblurring [102.75982704671029]
非ブラインド画像のデブロワーリングは、通常、対応するシャープ画像の勾配に関する自然の先行によって正規化される線形最小二乗問題として定式化される。
本稿では,(既知の)ぼかしと自然像前のカーネルの逆フィルタを用いて,リチャードソン解法を事前条件として提案する。
論文 参考訳(メタデータ) (2020-07-03T15:45:01Z) - RAIN: A Simple Approach for Robust and Accurate Image Classification
Networks [156.09526491791772]
既存の敵防衛手法の大部分は、予測精度を犠牲にして堅牢性を実現することが示されている。
本稿では,ロバストおよび高精度画像分類N(RAIN)と呼ぶ新しい前処理フレームワークを提案する。
RAINは入力に対してランダム化を適用して、モデルフォワード予測パスと後方勾配パスの関係を壊し、モデルロバスト性を改善する。
STL10 と ImageNet のデータセットを用いて、様々な種類の敵攻撃に対する RAIN の有効性を検証する。
論文 参考訳(メタデータ) (2020-04-24T02:03:56Z)
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。