論文の概要: Uncertainty-Aware Unsupervised Image Deblurring with Deep Residual Prior
- arxiv url: http://arxiv.org/abs/2210.05361v4
- Date: Sun, 19 Mar 2023 08:16:50 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-24 02:53:59.713766
- Title: Uncertainty-Aware Unsupervised Image Deblurring with Deep Residual Prior
- Title（参考訳）: 深部残像を用いた不確かさを意識した教師なし画像
- Authors: Xiaole Tang, Xile Zhao, Jun Liu, Jianli Wang, Yuchun Miao, Tieyong
Zeng
- Abstract要約: 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。
ドメイン知識を取り入れた手作りの事前処理は、一般的によく機能するが、カーネル(または誘導)エラーが複雑である場合には性能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。
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 uncertainty (i.e. kernel error) is
inevitable in practice, semi-blind deblurring is suggested to handle it 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 dataset-free deep residual 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 favorable performance of the proposed method as compared to
data-driven and model-driven methods in terms of 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。
カーネルの不確実性(すなわちカーネルエラー)は実際には避けられないため、セミブリンド・デブラリングはカーネルの(または誘導された)エラーの事前を導入することで処理することが提案されている。
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発エラー(残留と判定される)に対するデータセットなしのディープ残差を提案する。
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,データ駆動型およびモデル駆動型の手法と比較して,提案手法の良好な性能を示す。
関連論文リスト
- Fast constrained sampling in pre-trained diffusion models [77.21486516041391]
拡散モデルは、大規模な生成画像モデルの分野を支配してきた。
本研究では,大規模な事前学習拡散モデルにおける高速拘束サンプリングのアルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-10-24T14:52:38Z) - PrimeDepth: Efficient Monocular Depth Estimation with a Stable Diffusion Preimage [19.02295657801464]
この研究はゼロショット単眼深度推定の課題に対処する。
この分野での最近の進歩は、安定拡散のようなテキスト・ツー・イメージの基礎モデルを活用するというアイデアである。
拡散型アプローチの正の側面を保ちつつ、あるいは強化しながら、テスト時に高い効率を発揮できる方法であるPrimeDepthを提案する。
論文 参考訳（メタデータ） (2024-09-13T19:03:48Z) - Blind Image Deconvolution by Generative-based Kernel Prior and Initializer via Latent Encoding [46.40894748268764]
ブラインド画像符号化は、画像処理の分野では古典的だが難しい問題である。
近年の深部画像先行法(DBID)の進歩は,a世代的アプローチを示す一連の手法を動機づけている。
本稿では、事前モデリングをよりよく検討する新しい前世代的アプローチと、カーネルを曖昧にするための生成的アプローチを提案する。
論文 参考訳（メタデータ） (2024-07-20T09:23:56Z) - Blind Image Deblurring with FFT-ReLU Sparsity Prior [1.179778723980276]
ブラインドイメージデブロアリング(Blind image deblurring)は、ぼやけたカーネルに関する事前知識のないぼやけたイメージからシャープなイメージを復元するプロセスである。
画像の種類を多岐にわたって効果的に劣化させるために,ぼやけたカーネルを対象とする先行処理を利用する手法を提案する。
論文 参考訳（メタデータ） (2024-06-12T15:51:39Z) - BlindDiff: Empowering Degradation Modelling in Diffusion Models for Blind Image Super-Resolution [52.47005445345593]
BlindDiff は SISR のブラインド劣化に対処するための DM ベースのブラインドSR 手法である。
BlindDiffはMAPベースの最適化をDMにシームレスに統合する。
合成データセットと実世界のデータセットの両方の実験は、BlindDiffが最先端のパフォーマンスを達成することを示している。
論文 参考訳（メタデータ） (2024-03-15T11:21:34Z) - 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) - 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 [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)
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。