論文の概要: Defocus Blur Synthesis and Deblurring via Interpolation and Extrapolation in Latent Space

• arxiv url: http://arxiv.org/abs/2307.15461v1
• Date: Fri, 28 Jul 2023 10:27:28 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-31 12:53:13.211993
• Title: Defocus Blur Synthesis and Deblurring via Interpolation and Extrapolation in Latent Space
• Title（参考訳）: 潜在空間における補間と外挿によるぼかしのデフォーカス合成とデブラリング
• Authors: Ioana Mazilu, Shunxin Wang, Sven Dummer, Raymond Veldhuis, Christoph Brune, and Nicola Strisciuglio
• Abstract要約: 我々は、線形性関係を強制するために暗黙的かつ明示的な正規化手法でオートエンコーダを訓練する。 既存の作品と比較して、私たちは単純なアーキテクチャを使って、フレキシブルなボケレベルで画像を合成します。 我々の正規化オートエンコーダは、データ拡張技術としてデータの多様性を増大させ、ぼかしやデブロを効果的に模倣することができる。
• 参考スコア（独自算出の注目度）: 3.097163558730473
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Though modern microscopes have an autofocusing system to ensure optimal focus, out-of-focus images can still occur when cells within the medium are not all in the same focal plane, affecting the image quality for medical diagnosis and analysis of diseases. We propose a method that can deblur images as well as synthesize defocus blur. We train autoencoders with implicit and explicit regularization techniques to enforce linearity relations among the representations of different blur levels in the latent space. This allows for the exploration of different blur levels of an object by linearly interpolating/extrapolating the latent representations of images taken at different focal planes. Compared to existing works, we use a simple architecture to synthesize images with flexible blur levels, leveraging the linear latent space. Our regularized autoencoders can effectively mimic blur and deblur, increasing data variety as a data augmentation technique and improving the quality of microscopic images, which would be beneficial for further processing and analysis.
• Abstract（参考訳）: 現代の顕微鏡には、最適な焦点を確保するためのオートフォーカスシステムがあるが、媒体内の細胞がすべて同じ焦点平面にない場合にも、アウト・オブ・フォーカス画像が生じる可能性がある。 画像のデブラリングとデフォーカスのぼかしの合成を行う方法を提案する。 我々は暗黙的かつ明示的な正規化手法でオートエンコーダを訓練し、潜在空間における異なるブラーレベルの表現間の線形性関係を強制する。 これにより、異なる焦点平面で撮影された画像の潜在表現を線形補間・補間することにより、物体の異なるぼやけレベルを探索することができる。 既存の作品と比較すると,リニア潜在空間を活用し,フレキシブルなぼかしレベルを持つ画像合成にシンプルなアーキテクチャを用いる。 我々の正規化オートエンコーダは、ブラーとデブロを効果的に模倣し、データ拡張技術としてデータの多様性を高め、顕微鏡画像の品質を改善し、さらなる処理と解析に有用である。

関連論文リスト

• Single Exposure Quantitative Phase Imaging with a Conventional Microscope using Diffusion Models [2.0760654993698426]
  TIE(Transport-of-Intensity Equation)はしばしば異なるデフォーカス距離で複数の取得を必要とする。 そこで本研究では,クロマティック収差を用いて,必要なスルーフォーカス画像を単一露光で誘導する手法を提案する。 我々の貢献は、色収差を利用した別のTIEアプローチを提供し、白色光による正確な単一露光位相測定を実現している。
  論文  参考訳（メタデータ） (2024-06-06T15:44:24Z)
• Towards Real-World Focus Stacking with Deep Learning [97.34754533628322]
  焦点ブラケットを用いた94個の高解像度原画像のバーストからなる新しいデータセットを提案する。 このデータセットは、現実世界のアプリケーションに十分な長さのバーストを処理できるフォーカススタックのための最初のディープラーニングアルゴリズムをトレーニングするために使用される。
  論文  参考訳（メタデータ） (2023-11-29T17:49:33Z)
• Learning Single Image Defocus Deblurring with Misaligned Training Pairs [80.13320797431487]
  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。
  論文  参考訳（メタデータ） (2022-11-26T07:36:33Z)
• 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)
• MC-Blur: A Comprehensive Benchmark for Image Deblurring [127.6301230023318]
  ほとんどの実世界の画像では、ブラーは動きやデフォーカスなど様々な要因によって引き起こされる。 我々は,MC-Blurと呼ばれる大規模マルチライク画像デブロアリングデータセットを新たに構築する。 MC-Blurデータセットに基づいて,異なるシナリオにおけるSOTA法の比較を行う。
  論文  参考訳（メタデータ） (2021-12-01T02:10:42Z)
• A parameter refinement method for Ptychography based on Deep Learning concepts [55.41644538483948]
  伝播距離、位置誤差、部分的コヒーレンスにおける粗いパラメトリゼーションは、しばしば実験の生存性を脅かす。 最新のDeep Learningフレームワークは、セットアップの不整合を自律的に補正するために使用され、ポチコグラフィーの再構築の質が向上する。 我々は,elettra シンクロトロン施設のツインミックビームラインで取得した合成データセットと実データの両方でシステムをテストした。
  論文  参考訳（メタデータ） (2021-05-18T10:15:17Z)
• Universal and Flexible Optical Aberration Correction Using Deep-Prior Based Deconvolution [51.274657266928315]
  そこで本研究では,収差画像とpsfマップを入力とし,レンズ固有深層プリエントを組み込んだ潜在高品質版を生成する,psf対応プラグイン・アンド・プレイ深層ネットワークを提案する。 具体的には、多彩なレンズの集合からベースモデルを事前訓練し、パラメータを迅速に精製して特定のレンズに適応させる。
  論文  参考訳（メタデータ） (2021-04-07T12:00:38Z)
• 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)
• Deep learning Framework for Mobile Microscopy [2.432228495683345]
  専門的な臨床顕微鏡に開発された既存のソリューションの限界について論じる。 我々は、それに対応する改善を提案し、他の最先端のモバイル分析ソリューションと比較する。
  論文  参考訳（メタデータ） (2020-07-27T17:27:59Z)
• Single-shot autofocusing of microscopy images using deep learning [0.30586855806896046]
  Deep-Rと呼ばれるディープラーニングベースのオフラインオートフォーカス手法は、ワンショット顕微鏡画像の高速かつ盲目的にオートフォーカスするように訓練されている。 Deep-Rは、通常のオンラインアルゴリズムのオートフォーカス手法と比較してかなり高速である。
  論文  参考訳（メタデータ） (2020-03-21T06:07:27Z)
• FFusionCGAN: An end-to-end fusion method for few-focus images using conditional GAN in cytopathological digital slides [0.0]
  マルチフォーカス画像融合技術は、焦点深度の異なる画像を、ほとんどの物体が焦点を合わせている画像に圧縮する。 本稿では,条件付き生成対向ネットワーク(GAN)に基づく単一焦点画像や少数焦点画像から融合画像を生成する新しい手法を提案する。 ネットワークを生成モデルに統合することにより、生成した融合画像の品質を効果的に向上する。
  論文  参考訳（メタデータ） (2020-01-03T02:13:47Z)

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。