論文の概要: Blind Image Deblurring using FFT-ReLU with Deep Learning Pipeline Integration

• arxiv url: http://arxiv.org/abs/2406.08344v1
• Date: Wed, 12 Jun 2024 15:51:39 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-13 16:06:55.928169
• Title: Blind Image Deblurring using FFT-ReLU with Deep Learning Pipeline Integration
• Title（参考訳）: 深層学習パイプライン統合FFT-ReLUを用いたブラインド画像のデブロアリング
• Authors: Abdul Mohaimen Al Radi, Prothito Shovon Majumder, Syed Mumtahin Mahmud, Mahdi Mohd Hossain Noki, Md. Haider Ali, Md. Mosaddek Khan,
• Abstract要約: ブラインド画像デブロアリング(Blind image deblurring)は、ぼやけた画像からシャープ画像とぼやけたカーネルを導出する過程である。 既存のアプローチは主に、サリアントエッジ、ダークチャネル、ライトストリークといった、画像のドメイン固有の特徴に焦点を当てている。 本稿では,画像のすべての分布において,ボケカーネルを効果的に推定する新しい手法を提案する。
• 参考スコア（独自算出の注目度）: 0.9499962065972481
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Blind image deblurring is the process of deriving a sharp image and a blur kernel from a blurred image. Blurry images are typically modeled as the convolution of a sharp image with a blur kernel, necessitating the estimation of the unknown blur kernel to perform blind image deblurring effectively. Existing approaches primarily focus on domain-specific features of images, such as salient edges, dark channels, and light streaks. These features serve as probabilistic priors to enhance the estimation of the blur kernel. For improved generality, we propose a novel prior (ReLU sparsity prior) that estimates blur kernel effectively across all distributions of images (natural, facial, text, low-light, saturated etc). Our approach demonstrates superior efficiency, with inference times up to three times faster, while maintaining high accuracy in PSNR, SSIM, and error ratio metrics. We also observe noticeable improvement in the performance of the state-of-the-art architectures (in terms of aforementioned metrics) in deep learning based approaches when our method is used as a post-processing unit.
• Abstract（参考訳）: ブラインド画像デブロアリング(Blind image deblurring)は、ぼやけた画像からシャープ画像とぼやけたカーネルを導出する過程である。 ぼやけた画像は、通常、ぼやけたカーネルを持つシャープなイメージの畳み込みとしてモデル化され、ブラインドなイメージを効果的に損なうために未知のぼやけたカーネルを推定する必要がある。 既存のアプローチは主に、サリアントエッジ、ダークチャネル、ライトストリークといった、画像のドメイン固有の特徴に焦点を当てている。 これらの機能は、ぼやけたカーネルの見積を強化するための確率的先行機能として機能する。 画像のすべての分布(自然, 顔, テキスト, 低照度, 飽和など)において, ボケカーネルを効果的に推定する新しい事前(ReLUスペーサリティ前)を提案する。 提案手法は,PSNR,SSIM,誤差比の測定値の精度を維持しつつ,最大3倍の精度で推定時間を高速化する。 また,本手法が後処理ユニットとして使用される場合,ディープラーニングに基づくアプローチにおいて,最先端アーキテクチャ(前述のメトリクスの観点から)の性能が顕著に向上することが観察された。

関連論文リスト

• Semi-Blind Image Deblurring Based on Framelet Prior [0.3626013617212666]
  画像のぼかしは手やカメラの揺れなど様々な要因によって引き起こされる。 ぼやけた画像を復元するには、点拡散関数(PSF)に関する情報を知る必要がある。
  論文  参考訳（メタデータ） (2023-10-02T07:25:05Z)
• 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)
• Let's Enhance: A Deep Learning Approach to Extreme Deblurring of Text Images [3.441021278275805]
  本研究は,画像劣化の逆問題に対する,ディープラーニングに基づく新しいパイプラインを提案する。 我々の結果は、最新の最先端のデブロアリングアルゴリズムの限界を探求することを目的とした、最近のヘルシンキのデブロアリングチャレンジ2021への私たちの勝利を基盤にしています。
  論文  参考訳（メタデータ） (2022-11-18T09:06:56Z)
• Uncertainty-Aware Unsupervised Image Deblurring with Deep Residual Prior [23.417096880297702]
  非ブラインドデブロワー法は、正確なぼやけたカーネル仮定の下で良好な性能を達成する。 ドメイン知識を取り入れた手作りの事前処理は、一般的によく機能するが、カーネル(または誘導)エラーが複雑である場合には性能が低下する可能性がある。 トレーニングデータの多様性と多さに過度に依存するデータ駆動事前は、アウト・オブ・ディストリビューションの曖昧さやイメージに対して脆弱である。 本稿では,ぼやけた画像から潜像を復元し,不正確なぼやけたカーネルを復元する,教師なしセミブレンドデブロアリングモデルを提案する。
  論文  参考訳（メタデータ） (2022-10-09T11:10:59Z)
• NBD-GAP: Non-Blind Image Deblurring Without Clean Target Images [79.33220095067749]
  良好な性能を得るためには、トレーニングには大量のぼやけたクリーンなイメージペアが必要である。 テスト中のぼやけた画像とぼやけたカーネルが、トレーニング中に使用するものとは大きく異なる場合、ディープネットワークはよく機能しないことが多い。
  論文  参考訳（メタデータ） (2022-09-20T06:21:11Z)
• Unfolded Deep Kernel Estimation for Blind Image Super-resolution [23.798845090992728]
  ブラインド画像超解像(BISR)は、未知のぼやけたカーネルとノイズによって劣化した低解像度画像から高解像度画像を再構成することを目的としている。 我々は,我々の最良知識に対して初めて,データ項を高効率で明示的に解く,新しい展開深層カーネル推定法 (UDKE) を提案する。
  論文  参考訳（メタデータ） (2022-03-10T07:54:59Z)
• Learning Discriminative Shrinkage Deep Networks for Image Deconvolution [122.79108159874426]
  本稿では,これらの用語を暗黙的にモデル化する識別的縮小関数を学習することで,効果的に非盲検デコンボリューション手法を提案する。 実験結果から,提案手法は最先端の手法に対して,効率と精度の点で好適に動作することがわかった。
  論文  参考訳（メタデータ） (2021-11-27T12:12:57Z)
• Blind Image Super-Resolution with Spatial Context Hallucination [5.849485167287474]
  本稿では, 劣化カーネルを知らずに, 視覚的超解像のための空間文脈幻覚ネットワーク(SCHN)を提案する。 DIV2KとFlickr2Kという2つの高品質データセットでモデルをトレーニングします。 入力画像がランダムなぼかしとノイズで劣化した場合, 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） (2020-09-25T22:36:07Z)
• Deep Variational Network Toward Blind Image Restoration [60.45350399661175]
  ブラインド画像復元はコンピュータビジョンでは一般的だが難しい問題である。 両利点を両立させることを目的として,新しいブラインド画像復元手法を提案する。 画像デノイングと超解像という2つの典型的なブラインド赤外線タスクの実験により,提案手法が現状よりも優れた性能を達成できることが実証された。
  論文  参考訳（メタデータ） (2020-08-25T03:30:53Z)
• The Power of Triply Complementary Priors for Image Compressive Sensing [89.14144796591685]
  本稿では,一対の相補的な旅先を含むLRD画像モデルを提案する。 次に、画像CSのためのRDモデルに基づく新しいハイブリッド・プラグイン・アンド・プレイ・フレームワークを提案する。 そこで,提案したH-based image CS問題の解法として,単純で効果的なアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-05-16T08:17:44Z)
• 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。