論文の概要: Removing Image Artifacts From Scratched Lens Protectors

• arxiv url: http://arxiv.org/abs/2302.05746v1
• Date: Sat, 11 Feb 2023 17:17:27 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-14 18:53:41.055297
• Title: Removing Image Artifacts From Scratched Lens Protectors
• Title（参考訳）: スクラッチレンズプロテクターから画像アーティファクトを除去する
• Authors: Yufei Wang, Renjie Wan, Wenhan Yang, Bihan Wen, Lap-pui Chau, Alex C. Kot
• Abstract要約: モバイルデバイス用のカメラレンズの前にレンズプロテクターを配置し、損傷を避ける。 プロテクター自体は、特にプラスチック製の場合、簡単にひっかくことができる。 2つの協調モジュールを持つ統一フレームワークにおける固有の課題を考察し、相互のパフォーマンス向上を促進する。
• 参考スコア（独自算出の注目度）: 91.25975649906447
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A protector is placed in front of the camera lens for mobile devices to avoid damage, while the protector itself can be easily scratched accidentally, especially for plastic ones. The artifacts appear in a wide variety of patterns, making it difficult to see through them clearly. Removing image artifacts from the scratched lens protector is inherently challenging due to the occasional flare artifacts and the co-occurring interference within mixed artifacts. Though different methods have been proposed for some specific distortions, they seldom consider such inherent challenges. In our work, we consider the inherent challenges in a unified framework with two cooperative modules, which facilitate the performance boost of each other. We also collect a new dataset from the real world to facilitate training and evaluation purposes. The experimental results demonstrate that our method outperforms the baselines qualitatively and quantitatively. The code and datasets will be released after acceptance.
• Abstract（参考訳）: モバイルデバイス用カメラレンズの前にプロテクターを配置して損傷を防止し、特にプラスチック用ではプロテクター自体を誤って傷つけることができる。 アーティファクトはさまざまなパターンに現れており、それらをはっきりと見ることは困難である。 スクラッチされたレンズプロテクターから画像アーティファクトを除去することは、時折フレアアーティファクトと混合アーティファクト内の共起干渉により本質的に困難である。 特定の歪みに対して異なる方法が提案されているが、それら固有の課題を考えることは滅多にない。 本研究では,協調モジュールを2つ備えた統一フレームワークにおける本質的な課題について考察する。 また、トレーニングや評価の目的で、現実世界から新しいデータセットを収集します。 実験の結果,本手法は質的,定量的にベースラインを上回った。 コードとデータセットは受け入れた後にリリースされる。

関連論文リスト

• ArtiFade: Learning to Generate High-quality Subject from Blemished Images [10.112125529627157]
  ArtiFadeは、事前トレーニングされたテキスト-画像モデルの微調整を利用して、アーティファクトを削除する。 ArtiFadeはまた、拡散モデルに固有のオリジナルの生成機能の保存も保証している。
  論文  参考訳（メタデータ） (2024-09-05T17:57:59Z)
• Learning Camouflaged Object Detection from Noisy Pseudo Label [60.9005578956798]
  本稿では,まず,弱い半教師付きカモフラージュオブジェクト検出(COD)法を提案する。 予算効率が高く高精度なカモフラージュされたオブジェクトセグメンテーションを目標とし、完全にラベル付けされた画像が極めて限られている。 本稿では,早期の学習段階において,モデルが正しい画素の学習を容易にするノイズ補正損失を提案する。 完全ラベル付きデータの20%しか使用しない場合,本手法は最先端の手法よりも優れた性能を示す。
  論文  参考訳（メタデータ） (2024-07-18T04:53:51Z)
• ObjectDrop: Bootstrapping Counterfactuals for Photorealistic Object Removal and Insertion [34.29147907526832]
  拡散モデルは画像編集に革命をもたらしたが、しばしば物理法則に違反した画像を生成する。 本稿では,qcounterfactal データセットを中心とした実用的ソリューションを提案する。 このデータセット上で拡散モデルを微調整することで、オブジェクトを除去するだけでなく、シーンへの影響も除去できるのです。
  論文  参考訳（メタデータ） (2024-03-27T17:59:52Z)
• Towards Robust Image Stitching: An Adaptive Resistance Learning against Compatible Attacks [66.98297584796391]
  画像縫合は、様々な視点から捉えた画像をシームレスに単一の視野画像に統合する。 一対の撮像画像が与えられたとき、人間の視覚システムに気づかない微妙な摂動と歪みは、対応の一致を攻撃しがちである。 本稿では,敵対的攻撃に対する画像縫合の堅牢性向上に向けた最初の試みについて述べる。
  論文  参考訳（メタデータ） (2024-02-25T02:36:33Z)
• CamDiff: Camouflage Image Augmentation via Diffusion Model [83.35960536063857]
  CamDiffは、カモフラージュされたシーンで透明なオブジェクトを合成するための新しいアプローチだ。 我々は,潜伏拡散モデルを用いて,カモフラージュされたシーンで有能な物体を合成する。 当社のアプローチでは、フレキシブルな編集と大規模データセットの効率的な生成を低コストで実現している。
  論文  参考訳（メタデータ） (2023-04-11T19:37:47Z)
• Exposure Fusion for Hand-held Camera Inputs with Optical Flow and PatchMatch [53.149395644547226]
  ハンドヘルドカメラによるマルチ露光画像融合のためのハイブリッド合成法を提案する。 提案手法は,このような動作に対処し,各入力の露光情報を効果的に維持する。 実験の結果,本手法の有効性とロバスト性を示した。
  論文  参考訳（メタデータ） (2023-04-10T09:06:37Z)
• How to Train Neural Networks for Flare Removal [45.51943926089249]
  ニューラルネットワークをトレーニングして、初めてレンズフレアを取り除きます。 我々のデータ合成手法は正確なフレア除去に不可欠である。 我々の技術で訓練されたモデルは、様々なシーン、照明条件、カメラの実際のレンズフレアによく一般化される。
  論文  参考訳（メタデータ） (2020-11-25T02:23:50Z)
• Self-Adaptively Learning to Demoire from Focused and Defocused Image Pairs [97.67638106818613]
  モアレアーティファクトはデジタル写真では一般的であり、高周波シーンコンテンツとカメラのカラーフィルタアレイとの干渉によるものである。 大規模反復で訓練された既存のディープラーニングに基づく復習手法は、様々な複雑なモアレパターンを扱う場合に限られる。 本稿では,高頻度画像の復調のための自己適応学習手法を提案する。
  論文  参考訳（メタデータ） (2020-11-03T23:09:02Z)

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。