論文の概要: SR-R$^2$KAC: Improving Single Image Defocus Deblurring

• arxiv url: http://arxiv.org/abs/2307.16242v1
• Date: Sun, 30 Jul 2023 14:29:13 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-01 16:49:25.041638
• Title: SR-R$^2$KAC: Improving Single Image Defocus Deblurring
• Title（参考訳）: sr-r$^2$kac:単一画像デフォーカスデブラリングの改善
• Authors: Peng Tang, Zhiqiang Xu, Pengfei Wei, Xiaobin Hu, Peilin Zhao, Xin Cao, Chunlai Zhou, Tobias Lasser
• Abstract要約: 逆カーネル特性のさらなる探索により,単一画像デフォーカス除去(SIDD)のための効率的な深層学習法を提案する。 R$2$KACは、逆カーネルの大幅な観察、すなわち、固定サイズで逆カーネルベースのデコンボリューションを連続的に使用することにより、予期せぬ大きなぼやけを除去するが、リングアーティファクトを生成する。
• 参考スコア（独自算出の注目度）: 39.541766366872906
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose an efficient deep learning method for single image defocus deblurring (SIDD) by further exploring inverse kernel properties. Although the current inverse kernel method, i.e., kernel-sharing parallel atrous convolution (KPAC), can address spatially varying defocus blurs, it has difficulty in handling large blurs of this kind. To tackle this issue, we propose a Residual and Recursive Kernel-sharing Atrous Convolution (R$^2$KAC). R$^2$KAC builds on a significant observation of inverse kernels, that is, successive use of inverse-kernel-based deconvolutions with fixed size helps remove unexpected large blurs but produces ringing artifacts. Specifically, on top of kernel-sharing atrous convolutions used to simulate multi-scale inverse kernels, R$^2$KAC applies atrous convolutions recursively to simulate a large inverse kernel. Specifically, on top of kernel-sharing atrous convolutions, R$^2$KAC stacks atrous convolutions recursively to simulate a large inverse kernel. To further alleviate the contingent effect of recursive stacking, i.e., ringing artifacts, we add identity shortcuts between atrous convolutions to simulate residual deconvolutions. Lastly, a scale recurrent module is embedded in the R$^2$KAC network, leading to SR-R$^2$KAC, so that multi-scale information from coarse to fine is exploited to progressively remove the spatially varying defocus blurs. Extensive experimental results show that our method achieves the state-of-the-art performance.
• Abstract（参考訳）: 逆カーネル特性のさらなる探索により,単一画像デフォーカス除去(SIDD)のための効率的な深層学習法を提案する。 現在の逆カーネル法、すなわちカーネル共有並列アトラス畳み込み(KPAC)は空間的に異なるデフォーカスのぼかしに対処できるが、この種の大きなぼかしを扱うには困難である。 この問題に対処するために、Residual and Recursive Kernel-sharing Atrous Convolution (R$^2$KAC)を提案する。 R$^2$KACは、逆カーネルベースのデコンボリューションを一定サイズで連続的に使用することにより、予期せぬ大きなぼやけを除去するが、リングアーティファクトを生成する。 具体的には、マルチスケールの逆カーネルをシミュレートするカーネル共有アラス畳み込みの上で、R$^2$KACは大きな逆カーネルをシミュレートするために再帰的にアラス畳み込みを適用する。 特に、カーネル共有アトーラス畳み込みの上に、r$^2$kac はアトーラス畳み込みを再帰的に積み上げ、大きな逆核をシミュレートする。 さらに再帰的な積み重ね、すなわちリングアーティファクトの偶発的効果を緩和するため、アトラス畳み込みの間にidショートカットを追加し、残余のデコンボリューションをシミュレートする。 最後に、R$^2$KACネットワークにスケールリカレントモジュールが組み込まれ、SR-R$^2$KACとなる。 実験結果から,本手法が最先端性能を実現することを示す。

関連論文リスト

• Multiple Kernel Clustering via Local Regression Integration [4.856913393644719]
  複数のカーネルメソッドは、複数のカーネルデータの固有の多様体構造をあまり考慮しない。 本稿ではまず,カーネル型局所回帰(CKLR)を用いたクラスタリング手法を提案する。 次に、マルチカーネルローカルレグレッション(CMKLR)を介してクラスタリングを行うように拡張する。
  論文  参考訳（メタデータ） (2024-10-20T06:26:29Z)
• Efficient Dataset Distillation Using Random Feature Approximation [109.07737733329019]
  本稿では,ニューラルネットワークガウス過程(NNGP)カーネルのランダム特徴近似(RFA)を用いた新しいアルゴリズムを提案する。 我々のアルゴリズムは、KIP上で少なくとも100倍のスピードアップを提供し、1つのGPUで実行できる。 RFA蒸留 (RFAD) と呼ばれる本手法は, 大規模データセットの精度において, KIP や他のデータセット凝縮アルゴリズムと競合して動作する。
  論文  参考訳（メタデータ） (2022-10-21T15:56:13Z)
• DRKF: Distilled Rotated Kernel Fusion for Efficient Rotation Invariant Descriptors in Local Feature Matching [9.68840174997957]
  Rotated Fusion Kernel (RKF) は、CNN固有の性質を改善するために、畳み込みカーネルに回転を課す。 MOFAは、入力画像の複数の回転バージョンから抽出された特徴を集約する。 我々の手法は、大きな回転変動に晒された場合、他の最先端技術よりも優れる。
  論文  参考訳（メタデータ） (2022-09-22T10:29:17Z)
• Orthonormal Convolutions for the Rotation Based Iterative Gaussianization [64.44661342486434]
  本稿では、画像ガウス化を可能にする回転型反復ガウス化RBIGの拡張について詳述する。 RBIGの回転は主成分分析や独立成分分析に基づくため、画像では小さな画像パッチや孤立画素に制限されている。 emphConvolutional RBIG:この問題を緩和する拡張として,RBIGの回転が畳み込みであることを示す。
  論文  参考訳（メタデータ） (2022-06-08T12:56:34Z)
• Learning with convolution and pooling operations in kernel methods [8.528384027684192]
  近年の実証研究により、階層的畳み込みカーネルは、画像分類タスクにおけるカーネルメソッドの性能を向上させることが示されている。 畳み込みアーキテクチャにおける近似と一般化の正確な相互作用について検討する。 この結果から,対象関数に適応したアーキテクチャの選択が,サンプルの複雑性を大幅に向上させることを示す。
  論文  参考訳（メタデータ） (2021-11-16T09:00:44Z)
• Single Image Defocus Deblurring Using Kernel-Sharing Parallel Atrous Convolutions [15.713997170792842]
  デフォーカス画像では、ぼやけた形状は画素間で似ているが、ぼやけの大きさは異なる。 我々は,デフォーカスのぼかしの大きさだけが形状を維持しながら変化する場合,対応する逆カーネルの形状が変わらず,スケールのみが変化するという観察を生かした。 逆カーネルの特性を組み込んだカーネル共有並列アラス畳み込み(KPAC)ブロックを提案する。
  論文  参考訳（メタデータ） (2021-08-20T11:06:19Z)
• Mutual Affine Network for Spatially Variant Kernel Estimation in Blind Image Super-Resolution [130.32026819172256]
  既存のブラインド画像超解像法(SR)は、ぼやけたカーネルが画像全体にわたって空間的に不変であると仮定する。 本稿では,空間変動カーネル推定のための相互アフィンネットワーク(MANet)を提案する。
  論文  参考訳（メタデータ） (2021-08-11T16:11:17Z)
• Flow-based Kernel Prior with Application to Blind Super-Resolution [143.21527713002354]
  カーネル推定は一般にブラインド画像超解像(SR)の鍵となる問題の一つである 本稿では,カーネルモデリングのための正規化フローベースカーネルプリレント(fkp)を提案する。 合成および実世界の画像の実験により、提案したFKPがカーネル推定精度を大幅に向上することを示した。
  論文  参考訳（メタデータ） (2021-03-29T22:37:06Z)
• Kernel-Based Reinforcement Learning: A Finite-Time Analysis [53.47210316424326]
  モデルに基づく楽観的アルゴリズムであるKernel-UCBVIを導入する。 スパース報酬を伴う連続MDPにおける我々のアプローチを実証的に検証する。
  論文  参考訳（メタデータ） (2020-04-12T12:23:46Z)

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。