論文の概要: Blind Image Deconvolution by Generative-based Kernel Prior and Initializer via Latent Encoding

• arxiv url: http://arxiv.org/abs/2407.14816v1
• Date: Sat, 20 Jul 2024 09:23:56 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-23 20:42:12.741972
• Title: Blind Image Deconvolution by Generative-based Kernel Prior and Initializer via Latent Encoding
• Title（参考訳）: ラテントエンコーディングによる生成型カーネルプリミティブと初期化器によるブラインド画像のデコンボリューション
• Authors: Jiangtao Zhang, Zongsheng Yue, Hui Wang, Qian Zhao, Deyu Meng,
• Abstract要約: ブラインド画像符号化は、画像処理の分野では古典的だが難しい問題である。 近年の深部画像先行法(DBID)の進歩は,a世代的アプローチを示す一連の手法を動機づけている。 本稿では、事前モデリングをよりよく検討する新しい前世代的アプローチと、カーネルを曖昧にするための生成的アプローチを提案する。
• 参考スコア（独自算出の注目度）: 46.40894748268764
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Blind image deconvolution (BID) is a classic yet challenging problem in the field of image processing. Recent advances in deep image prior (DIP) have motivated a series of DIP-based approaches, demonstrating remarkable success in BID. However, due to the high non-convexity of the inherent optimization process, these methods are notorious for their sensitivity to the initialized kernel. To alleviate this issue and further improve their performance, we propose a new framework for BID that better considers the prior modeling and the initialization for blur kernels, leveraging a deep generative model. The proposed approach pre-trains a generative adversarial network-based kernel generator that aptly characterizes the kernel priors and a kernel initializer that facilitates a well-informed initialization for the blur kernel through latent space encoding. With the pre-trained kernel generator and initializer, one can obtain a high-quality initialization of the blur kernel, and enable optimization within a compact latent kernel manifold. Such a framework results in an evident performance improvement over existing DIP-based BID methods. Extensive experiments on different datasets demonstrate the effectiveness of the proposed method.
• Abstract（参考訳）: ブラインド画像デコンボリューション(BID)は、画像処理の分野では古典的だが難しい問題である。 近年のディープ・イメージ・先行(DIP)の進歩は、一連のDIPベースのアプローチを動機付け、BIDの顕著な成功をみせている。 しかし、本質的な最適化プロセスの非凸性が高いため、これらの手法は初期化カーネルに対する感度で悪名高い。 この問題を緩和し、さらに性能を向上させるため、より深い生成モデルを利用して、ボケカーネルの事前のモデリングと初期化をよりよく検討するBIDの新しいフレームワークを提案する。 提案手法は, カーネル先行を適切に特徴付ける生成逆ネットワークベースのカーネルジェネレータと, 遅延空間符号化によるボケカーネルの初期化を容易にするカーネル初期化器を事前訓練する。 事前訓練されたカーネル生成器と初期化器により、ブラーカーネルの高品質な初期化が得られ、コンパクトな潜在カーネル多様体内で最適化が可能となる。 このようなフレームワークは、既存のDIPベースのBIDメソッドよりも明らかにパフォーマンスが向上する。 異なるデータセットに対する大規模な実験により,提案手法の有効性が示された。

関連論文リスト

• Blind Super-Resolution via Meta-learning and Markov Chain Monte Carlo Simulation [46.5310645609264]
  本稿では,メタラーニングとマルコフ・チェイン・モンテカルロに基づくSISRアプローチを提案する。 軽量ネットワークがカーネルジェネレータとして採用され、ランダムガウス分布のMCMCシミュレーションから学習することで最適化される。 カーネルジェネレータと画像復元器を最適化するために,メタラーニングに基づく交互最適化手法を提案する。
  論文  参考訳（メタデータ） (2024-06-13T07:50:15Z)
• Meta-Learned Kernel For Blind Super-Resolution Kernel Estimation [22.437479940607332]
  本稿では,画像の分布に含まれる情報からメタ学習を行う学習学習アプローチを提案する。 提案手法は,既存手法よりも14.24～102.1倍高速に推算できることを示す。
  論文  参考訳（メタデータ） (2022-12-15T15:11:38Z)
• 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)
• 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)
• Image-specific Convolutional Kernel Modulation for Single Image Super-resolution [85.09413241502209]
  本稿では,新しい画像特異的畳み込み変調カーネル(IKM)を提案する。 我々は、画像や特徴のグローバルな文脈情報を利用して、畳み込みカーネルを適応的に調整するための注意重みを生成する。 単一画像超解像実験により,提案手法は最先端手法よりも優れた性能を示した。
  論文  参考訳（メタデータ） (2021-11-16T11:05:10Z)
• Deep Kernel Representation for Image Reconstruction in PET [9.041102353158065]
  最適化されたカーネルモデルの自動学習を可能にするために,ディープニューラルネットワークを活用するディープカーネル手法を提案する。 コンピュータシミュレーションと実際の患者データセットの結果から,提案したディープカーネル法は既存のカーネル法やニューラルネットワーク法よりも高速で,PET画像の動的再構成が可能であることが示された。
  論文  参考訳（メタデータ） (2021-10-04T03:53:33Z)
• 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)
• 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)
• MSE-Optimal Neural Network Initialization via Layer Fusion [68.72356718879428]
  ディープニューラルネットワークは、さまざまな分類と推論タスクに対して最先端のパフォーマンスを達成する。 グラデーションと非進化性の組み合わせは、学習を新しい問題の影響を受けやすいものにする。 確率変数を用いて学習した深層ネットワークの近傍層を融合する手法を提案する。
  論文  参考訳（メタデータ） (2020-01-28T18:25:15Z)

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。