論文の概要: NSD-DIL: Null-Shot Deblurring Using Deep Identity Learning

• arxiv url: http://arxiv.org/abs/2407.04815v1
• Date: Fri, 5 Jul 2024 18:56:31 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-09 22:26:54.687848
• Title: NSD-DIL: Null-Shot Deblurring Using Deep Identity Learning
• Title（参考訳）: NSD-DIL:Deep Identity Learningを用いたNull-Shot Deblurring
• Authors: Sree Rama Vamsidhar S, Rama Krishna Gorthi,
• Abstract要約: 本稿では,線形システムの特性に基づいた専用正規化項を含む新しい学習戦略であるDeep Identity Learning (DIL)を紹介する。 画像データに依存しないため、我々はDeep Identity Learning (NSD-DIL)を用いてNull-Shot deblurringと呼ぶ。 実験の結果,提案手法は従来の学習法と深層学習法の両方に優れていた。
• 参考スコア（独自算出の注目度）: 0.02932486408310998
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this paper, we propose to reformulate the blind image deblurring task to directly learn an inverse of the degradation model using a deep linear network. We introduce Deep Identity Learning (DIL), a novel learning strategy that includes a dedicated regularization term based on the properties of linear systems, to exploit the identity relation between the degradation and inverse degradation models. The salient aspect of our proposed framework is it neither relies on a deblurring dataset nor a single input blurred image (like Polyblur, a self-supervised method). Since it is purely image-data-independent, we term our model as Null-Shot deblurring Using Deep Identity Learning (NSD-DIL). We also provide an explicit representation of the learned deep linear network in a matrix form, called Deep Restoration Kernel (DRK) for deblurring task. The proposed framework detours the typical degradation kernel estimation step involved in most of the existing blind deblurring solutions by the proposition of our Random Kernel Gallery (RKG) dataset. In this work, we focus on the restoration of mild blur images, generated by small out-of-focus, lens blur, or slight camera motion, which often occurs in real images. Our experiments show that the proposed method outperforms both traditional and deep learning based deblurring methods, with at least an order of 100 lesser computational resources. The proposed NSD-DIL method can be effortlessly extended to the Image Super-Resolution (ISR) task as well to restore the low-resolution images with fine details. The NSD-DIL model and its kernel form representation (DRK) are lightweight yet robust and restore the mild blur input in a fraction of a second. Hence, more suitable for wide real-time applications.
• Abstract（参考訳）: 本稿では,深い線形ネットワークを用いた劣化モデルの逆数を直接学習するために,ブラインド画像のデブロアリングタスクの修正を提案する。 本稿では, 線形システムの特性に基づく専用正規化項を含む新しい学習戦略であるDeep Identity Learning (DIL)を導入し, 劣化モデルと逆劣化モデルとの同一性を利用した。 提案するフレームワークの健全な側面は、遅延データセットや単一の入力ぼやけた画像(Polyblurのような自己教師型手法)に依存しない点です。 画像データに依存しないため、我々はこのモデルをDeep Identity Learning (NSD-DIL)を用いてNull-Shot Deblurringと呼ぶ。 また,Deep Restoration Kernel (DRK) と呼ばれる,学習した深層線形ネットワークを行列形式で明示的に表現する。 提案したフレームワークは、Random Kernel Gallery(RKG)データセットの提案により、既存のブラインドデブロワーリングソリューションの大部分に関わる典型的な劣化カーネル推定ステップをデトラウトする。 本研究では、小さな焦点、レンズのぼかし、あるいは実際の画像でしばしば発生する小さなカメラの動きによって生成される、穏やかなぼかし画像の復元に焦点を当てる。 実験の結果,提案手法は従来の学習法と深層学習法の両方より優れており,少なくとも100の少ない計算資源が得られた。 提案したNSD-DIL法は,画像超解法(ISR)タスクに精力的に拡張することができ,解像度の低い画像を細部まで復元することができる。 NSD-DILモデルとそのカーネルフォーム表現(DRK)は軽量だが堅牢であり、軽度のぼやけた入力を1秒で復元する。 したがって、より広いリアルタイムアプリケーションに適している。

関連論文リスト

• Deep learning-based blind image super-resolution with iterative kernel reconstruction and noise estimation [3.2157163136267934]
  視覚障害者のためのIKR-Net(Iterative Kernel Reconstruction Network)を提案する。 IKR-Netは、特に動きのぼやけたノイズの多い画像に対して、ブラインドSISRの最先端の結果を達成する。
  論文  参考訳（メタデータ） (2024-04-25T12:27:22Z)
• Deep Generalized Unfolding Networks for Image Restoration [16.943609020362395]
  画像復元のためのDeep Generalized Unfolding Network (DGUNet)を提案する。 我々は、勾配推定戦略をPGDアルゴリズムの勾配降下ステップに統合する。 我々の手法は、最先端の性能、解釈可能性、一般化可能性の点で優れている。
  論文  参考訳（メタデータ） (2022-04-28T08:39:39Z)
• 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)
• 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)
• 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)
• Single-Image HDR Reconstruction by Learning to Reverse the Camera Pipeline [100.5353614588565]
  本稿では,LDR画像形成パイプラインの領域知識をモデルに組み込むことを提案する。 我々は,HDRto-LDR画像形成パイプラインを(1)ダイナミックレンジクリッピング,(2)カメラ応答関数からの非線形マッピング,(3)量子化としてモデル化する。 提案手法は,最先端の単一画像HDR再構成アルゴリズムに対して良好に動作することを示す。
  論文  参考訳（メタデータ） (2020-04-02T17:59:04Z)
• BP-DIP: A Backprojection based Deep Image Prior [49.375539602228415]
  画像復元手法として, (i)Deep Image Prior (DIP) と (ii) バックプロジェクション (BP) の2つの手法を提案する。 提案手法はBP-DIP(BP-DIP)と呼ばれ,高いPSNR値とより優れた推論実行時間を持つ通常のDIPよりも優れた性能を示す。
  論文  参考訳（メタデータ） (2020-03-11T17:09:12Z)
• Deep Blind Video Super-resolution [85.79696784460887]
  本稿では,ビデオSRを曖昧なカーネルモデリング手法により解くために,深層畳み込みニューラルネットワーク(CNN)モデルを提案する。 提案したCNNモデルは、動きのぼかし推定、動きの推定、遅延画像復元モジュールからなる。 提案アルゴリズムは, より微細な構造情報を用いて, より鮮明な画像を生成することができることを示す。
  論文  参考訳（メタデータ） (2020-03-10T13:43:24Z)

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。