論文の概要: Learning Single Image Defocus Deblurring with Misaligned Training Pairs

• arxiv url: http://arxiv.org/abs/2211.14502v1
• Date: Sat, 26 Nov 2022 07:36:33 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-29 18:04:04.159474
• Title: Learning Single Image Defocus Deblurring with Misaligned Training Pairs
• Title（参考訳）: 不整合トレーニングペアを用いた単一画像デフォーカスデブラリングの学習
• Authors: Yu Li, Dongwei Ren, Xinya Shu, Wangmeng Zuo
• Abstract要約: 単一画像デフォーカスデブロリングのための連成デブロアリングおよびリブロアリング学習フレームワークを提案する。 我々のフレームワークは、定量的メトリクスと視覚的品質の両方の観点から、デフォーカスデブロワーリングネットワークを向上するために適用することができる。
• 参考スコア（独自算出の注目度）: 80.13320797431487
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: By adopting popular pixel-wise loss, existing methods for defocus deblurring heavily rely on well aligned training image pairs. Although training pairs of ground-truth and blurry images are carefully collected, e.g., DPDD dataset, misalignment is inevitable between training pairs, making existing methods possibly suffer from deformation artifacts. In this paper, we propose a joint deblurring and reblurring learning (JDRL) framework for single image defocus deblurring with misaligned training pairs. Generally, JDRL consists of a deblurring module and a spatially invariant reblurring module, by which deblurred result can be adaptively supervised by ground-truth image to recover sharp textures while maintaining spatial consistency with the blurry image. First, in the deblurring module, a bi-directional optical flow-based deformation is introduced to tolerate spatial misalignment between deblurred and ground-truth images. Second, in the reblurring module, deblurred result is reblurred to be spatially aligned with blurry image, by predicting a set of isotropic blur kernels and weighting maps. Moreover, we establish a new single image defocus deblurring (SDD) dataset, further validating our JDRL and also benefiting future research. Our JDRL can be applied to boost defocus deblurring networks in terms of both quantitative metrics and visual quality on DPDD, RealDOF and our SDD datasets.
• Abstract（参考訳）: 一般的なピクセル単位の損失を採用することで、デフォーカスデブロリングの既存の方法は、整列したトレーニングイメージペアに大きく依存する。 DPDDデータセットのような地上の真実とぼやけたイメージのトレーニングペアは慎重に収集されるが、トレーニングペア間のミスアライメントは避けられないため、既存の手法は変形アーチファクトに悩まされる可能性がある。 本稿では,不整合トレーニングペアを用いた単一画像デフォーカスデブロリングのためのJDRL(Joint Deblurring and Reblurring Learning)フレームワークを提案する。 一般にjdrlは、デブラリングモジュールと空間不変リブラリングモジュールからなり、デブラリング結果は地中画像により適応的に教師付けされ、ぼやけた画像との空間的一貫性を維持しながらシャープなテクスチャを回復できる。 まず、デブラリングモジュールにおいて、デブラリング画像と地中画像との空間的不一致を許容する双方向光フローベース変形を導入する。 第2に、リブラリングモジュールでは、一連の等方的ボケカーネルと重み付けマップを予測することにより、デブラリング結果がボケ画像と空間的に整合するようにリブラリングされる。 さらに,sdd(single image defocus deblurling)データセットを新たに確立し,jdrlをさらに検証し,今後の研究に資する。 我々のJDRLは、DPDD、RealDOF、およびSDDデータセットにおける定量的メトリクスと視覚的品質の両方の観点から、デフォーカスデブロリングネットワークを向上するために適用することができる。

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)
• Generating Aligned Pseudo-Supervision from Non-Aligned Data for Image Restoration in Under-Display Camera [84.41316720913785]
  トレーニングデータ収集のための古典的なステレオセットアップを再考する -- 同じシーンの2つの画像を1つのUDCと1つの標準カメラでキャプチャする。 鍵となるアイデアは、高品質な参照イメージから詳細を"コピー"し、UDCイメージ上でそれらを"ペースト"することです。 トランスフォーマーベースの新しいフレームワークは、対応するUDC入力に対して、整合性はあるが高品質なターゲットデータを生成する。
  論文  参考訳（メタデータ） (2023-04-12T17:56:42Z)
• Boosting Few-shot Fine-grained Recognition with Background Suppression and Foreground Alignment [53.401889855278704]
  FS-FGR (Few-shot Fine-fine Recognition) は、限られたサンプルの助けを借りて、新しいきめ細かなカテゴリを認識することを目的としている。 本研究では,背景アクティベーション抑制 (BAS) モジュール,フォアグラウンドオブジェクトアライメント (FOA) モジュール,および局所的局所的(L2L) 類似度測定器からなる2段階の背景アライメントとフォアグラウンドアライメントフレームワークを提案する。 複数のベンチマークで行った実験により,提案手法は既存の最先端技術よりも大きなマージンで優れていることが示された。
  論文  参考訳（メタデータ） (2022-10-04T07:54:40Z)
• SVBR-NET: A Non-Blind Spatially Varying Defocus Blur Removal Network [2.4975981795360847]
  本稿では,空間的に異なるカーネルを扱える非盲検画像分解手法を提案する。 本稿では,2つのエンコーダ・デコーダサブネットワークを導入し,ぼやけた画像と推定したぼやけマップで処理する。 ネットワークは、既存のぼかし推定法によって生成されたぼかしマップをエミュレートするために拡張された、合成的にぼかしカーネルで訓練される。
  論文  参考訳（メタデータ） (2022-06-26T17:21:12Z)
• 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)
• A Differentiable Two-stage Alignment Scheme for Burst Image Reconstruction with Large Shift [13.454711511086261]
  バースト画像、すなわちJDD-Bのための共同デノジングとデモサック(JDD)が注目されている。 JDD-Bの重要な課題は、画像フレームのロバストなアライメントにある。 本稿では, JDD-B を効果的に活用するための2段階アライメント方式を提案する。
  論文  参考訳（メタデータ） (2022-03-17T12:55:45Z)
• Light Field Reconstruction via Deep Adaptive Fusion of Hybrid Lenses [67.01164492518481]
  本稿では,ハイブリットレンズを用いた高分解能光場(LF)画像の再構成問題について検討する。 本稿では,入力の特徴を包括的に活用できる新しいエンドツーエンド学習手法を提案する。 我々のフレームワークは、高解像度なLFデータ取得のコストを削減し、LFデータストレージと送信の恩恵を受ける可能性がある。
  論文  参考訳（メタデータ） (2021-02-14T06:44:47Z)
• Dual Pixel Exploration: Simultaneous Depth Estimation and Image Restoration [77.1056200937214]
  本研究では,ぼかしと深度情報をリンクするDPペアの形成について検討する。 本稿では,画像の深さを共同で推定し,復元するためのエンドツーエンドDDDNet(DPベースのDepth and De Network)を提案する。
  論文  参考訳（メタデータ） (2020-12-01T06:53:57Z)

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。