論文の概要: Deep Dynamic Scene Deblurring from Optical Flow

• arxiv url: http://arxiv.org/abs/2301.07329v1
• Date: Wed, 18 Jan 2023 06:37:21 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-19 16:47:07.805585
• Title: Deep Dynamic Scene Deblurring from Optical Flow
• Title（参考訳）: 光流から脱落する深部動的シーン
• Authors: Jiawei Zhang, Jinshan Pan, Daoye Wang, Shangchen Zhou, Xing Wei, Furong Zhao, Jianbo Liu, and Jimmy Ren
• Abstract要約: 汚れは視覚的により快適な写真を提供し、写真がより便利になる。 非均一な曖昧さを数学的にモデル化することは困難である。 我々は,難解な特徴から鮮明な画像を復元する畳み込みニューラルネットワーク(CNN)を開発した。
• 参考スコア（独自算出の注目度）: 53.625999196063574
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deblurring can not only provide visually more pleasant pictures and make photography more convenient, but also can improve the performance of objection detection as well as tracking. However, removing dynamic scene blur from images is a non-trivial task as it is difficult to model the non-uniform blur mathematically. Several methods first use single or multiple images to estimate optical flow (which is treated as an approximation of blur kernels) and then adopt non-blind deblurring algorithms to reconstruct the sharp images. However, these methods cannot be trained in an end-to-end manner and are usually computationally expensive. In this paper, we explore optical flow to remove dynamic scene blur by using the multi-scale spatially variant recurrent neural network (RNN). We utilize FlowNets to estimate optical flow from two consecutive images in different scales. The estimated optical flow provides the RNN weights in different scales so that the weights can better help RNNs to remove blur in the feature spaces. Finally, we develop a convolutional neural network (CNN) to restore the sharp images from the deblurred features. Both quantitative and qualitative evaluations on the benchmark datasets demonstrate that the proposed method performs favorably against state-of-the-art algorithms in terms of accuracy, speed, and model size.
• Abstract（参考訳）: デブロアリングは、視覚的により快適な写真を提供し、写真をより便利にするだけでなく、対物検出やトラッキングの性能を向上させることができる。 しかし,画像からダイナミックなシーンのぼやけを取り除くことは,一様でないシーンのぼやけを数学的にモデル化することが難しいため,非自明な作業である。 いくつかの手法は、まず1つまたは複数の画像を用いて光学フローを推定し(これはぼやけたカーネルの近似として扱われる)、その後、シャープな画像を再構成するために非ブリンドデブラリングアルゴリズムを採用する。 しかし、これらの手法はエンドツーエンドの方法では訓練できず、通常は計算コストがかかる。 本稿では,マルチスケール空間変動型リカレントニューラルネットワーク(RNN)を用いて,動的シーンのぼかしを取り除く光学的流れを探索する。 フローネットを用いて2つの連続画像から異なるスケールで光流を推定する。 推定された光学フローはRNNの重量を異なるスケールで提供し、RNNが特徴空間のぼやけを取り除くのに役立つ。 最後に,難解な特徴から鮮明な画像を復元する畳み込みニューラルネットワーク(CNN)を開発した。 ベンチマークデータセットにおける定量的・質的評価は,提案手法が精度,速度,モデルサイズにおいて最先端のアルゴリズムに対して好適であることを示している。

関連論文リスト

• Deep Richardson-Lucy Deconvolution for Low-Light Image Deblurring [48.80983873199214]
  我々は,飽和画素を学習潜時マップでモデル化するデータ駆動型手法を開発した。 新しいモデルに基づいて、非盲検除色タスクを最大後部(MAP)問題に定式化することができる。 増幅されたアーティファクトを使わずに高品質な劣化画像を推定するために,我々は事前推定ネットワークを構築した。
  論文  参考訳（メタデータ） (2023-08-10T12:53:30Z)
• Rethinking Optical Flow from Geometric Matching Consistent Perspective [38.014569953980754]
  本稿では,従来の光流量推定法について再考する。 我々は,より優れた特徴表現を持つ光フロー推定(MatchFlow)のための事前学習タスクとして,GIMを使用している。 Sintel クリーンパスと KITTI テストセットの GMA から 11.5% と 10.1% の誤差削減を実現した。
  論文  参考訳（メタデータ） (2023-03-15T06:00:38Z)
• Multi-stage image denoising with the wavelet transform [125.2251438120701]
  深部畳み込みニューラルネットワーク(Deep Convolutional Neural Network, CNN)は、正確な構造情報を自動マイニングすることで、画像の復調に使用される。 動的畳み込みブロック(DCB)、2つのカスケードウェーブレット変換および拡張ブロック(WEB)、残留ブロック(RB)の3段階を経由した、MWDCNNによるCNNの多段階化を提案する。
  論文  参考訳（メタデータ） (2022-09-26T03:28:23Z)
• Improved Multiple-Image-Based Reflection Removal Algorithm Using Deep Neural Networks [13.16514846876752]
  別のシーンの反射は、ガラスのような半反射媒質によく見られる。 本稿では,イメージングにおける反射問題を解くための新しいディープニューラルネットワーク手法を提案する。
  論文  参考訳（メタデータ） (2022-08-09T11:55:53Z)
• When the Sun Goes Down: Repairing Photometric Losses for All-Day Depth Estimation [47.617222712429026]
  既存の測光損失を昼夜両方の画像に有効にするための3つの手法の組み合わせについて述べる。 まず、連続するフレーム間で起こる光の変化を補うために、ピクセルごとの神経強度変換を導入する。 第2に,推定エゴモーションと深度によって引き起こされる再投影対応を補正するために,画素ごとの残留フローマップを推定する。
  論文  参考訳（メタデータ） (2022-06-28T09:29:55Z)
• SiPRNet: End-to-End Learning for Single-Shot Phase Retrieval [8.820823270160695]
  畳み込みニューラルネットワーク(CNN)は、様々な画像再構成タスクにおいて重要な役割を果たしている。 本稿では,1つのフーリエ強度測定から信号を取得するために,SiPRNetという新しいCNN構造を設計する。 提案手法は、シングルショットマスクレス位相検索において、他のCNNおよび従来の最適化手法よりも一貫して優れている。
  論文  参考訳（メタデータ） (2022-05-23T16:24:52Z)
• Image Restoration by Deep Projected GSURE [115.57142046076164]
  Ill-posed inverse problem は、デブロアリングや超解像など、多くの画像処理アプリケーションに現れる。 本稿では,一般化されたSteinUnbiased Risk Estimator(GSURE)の「投影変換」とCNNによる潜在画像のパラメータ化を含む損失関数の最小化に基づく,新たな画像復元フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-02-04T08:52:46Z)
• Neural Sparse Representation for Image Restoration [116.72107034624344]
  スパース符号化に基づく画像復元モデルの堅牢性と効率に触発され,深部ネットワークにおけるニューロンの空間性について検討した。 本手法は,隠れたニューロンに対する空間的制約を構造的に強制する。 実験により、複数の画像復元タスクのためのディープニューラルネットワークではスパース表現が不可欠であることが示されている。
  論文  参考訳（メタデータ） (2020-06-08T05:15:17Z)
• Self-Supervised Linear Motion Deblurring [112.75317069916579]
  深層畳み込みニューラルネットワークは、画像の劣化の最先端技術である。 本稿では,自己監督型動作遅延に対する識別可能なreblurモデルを提案する。 我々の実験は、自己監督された単一画像の劣化が本当に実現可能であることを実証した。
  論文  参考訳（メタデータ） (2020-02-10T20:15:21Z)

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。