論文の概要: Learnable Blur Kernel for Single-Image Defocus Deblurring in the Wild

• arxiv url: http://arxiv.org/abs/2211.14017v1
• Date: Fri, 25 Nov 2022 10:47:19 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-28 18:17:00.708151
• Title: Learnable Blur Kernel for Single-Image Defocus Deblurring in the Wild
• Title（参考訳）: 野生における単一画像デフォーカスデブラリングのための学習可能なボケカーネル
• Authors: Jucai Zhai, Pengcheng Zeng, Chihao Ma, Yong Zhao, Jie Chen
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 9.246199263116067
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent research showed that the dual-pixel sensor has made great progress in defocus map estimation and image defocus deblurring. However, extracting real-time dual-pixel views is troublesome and complex in algorithm deployment. Moreover, the deblurred image generated by the defocus deblurring network lacks high-frequency details, which is unsatisfactory in human perception. To overcome this issue, we propose a novel defocus deblurring method that uses the guidance of the defocus map to implement image deblurring. The proposed method consists of a learnable blur kernel to estimate the defocus map, which is an unsupervised method, and a single-image defocus deblurring generative adversarial network (DefocusGAN) for the first time. The proposed network can learn the deblurring of different regions and recover realistic details. We propose a defocus adversarial loss to guide this training process. Competitive experimental results confirm that with a learnable blur kernel, the generated defocus map can achieve results comparable to supervised methods. In the single-image defocus deblurring task, the proposed method achieves state-of-the-art results, especially significant improvements in perceptual quality, where PSNR reaches 25.56 dB and LPIPS reaches 0.111.
• Abstract（参考訳）: 最近の研究によると、デュアルピクセルセンサーはデフォーカスマップ推定と画像デフォーカスの劣化に大きな進歩を遂げている。 しかし、リアルタイムのデュアルピクセルビューの抽出は、アルゴリズムの展開において面倒で複雑である。 さらに、デフォーカスデブロワーリングネットワークによって生成されたデブロワード画像は、人間の知覚に不満足な高周波の詳細を欠いている。 この問題を解決するために,デフォーカスマップのガイダンスを用いて画像のデフォーカスを行う新しいデフォーカスデブロリング手法を提案する。 提案手法は、教師なしの手法である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、生成的敵ネットワーク(DefocusGAN)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。 提案するネットワークは,異なる領域の劣化を学習し,現実的な詳細を回復することができる。 本稿では,このトレーニングプロセスを導くために,デフォーカス対逆損失を提案する。 比較実験の結果、学習可能なぼかしカーネルでは、生成されたデフォーカスマップが教師付きメソッドに匹敵する結果が得られることを確認した。 単一画像デフォーカスデブラリングタスクにおいて,提案手法は最先端の成果,特に知覚品質が著しく向上し,psnrは25.56db,lpipsは0.111dbに達した。

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)
• Exploring Deep Learning Image Super-Resolution for Iris Recognition [50.43429968821899]
  重畳自動エンコーダ(SAE)と畳み込みニューラルネットワーク(CNN)の2つの深層学習単一画像超解法手法を提案する。 精度評価と認識実験により,1.872個の近赤外虹彩画像のデータベースを用いて評価を行い,比較アルゴリズムよりも深層学習の方が優れていることを示す。
  論文  参考訳（メタデータ） (2023-11-02T13:57:48Z)
• A Novel Defocus-Blur Region Detection Approach Based on DCT Feature and PCNN Structure [4.086098684345016]
  本研究では、離散コサイン変換(DCT)係数とPCニューラルネット(PCNN)構造に基づく新しいハイブリッド検出手法を提案する。 視覚的および定量的評価は、提案手法が参照アルゴリズムの精度と効率において優れていたことを示している。
  論文  参考訳（メタデータ） (2023-10-12T10:58:10Z)
• Single-image Defocus Deblurring by Integration of Defocus Map Prediction Tracing the Inverse Problem Computation [25.438654895178686]
  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。
  論文  参考訳（メタデータ） (2022-07-07T02:15:33Z)
• 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)
• 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)
• Defocus Blur Detection via Depth Distillation [64.78779830554731]
  初めてDBDに深度情報を導入します。 より詳しくは, 地底の真理と, 十分に訓練された深度推定ネットワークから抽出した深度から, デフォーカスのぼかしを学習する。 我々の手法は、2つの一般的なデータセット上で11の最先端の手法より優れています。
  論文  参考訳（メタデータ） (2020-07-16T04:58:09Z)
• 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。