論文の概要: Restoring Real-World Degraded Events Improves Deblurring Quality

• arxiv url: http://arxiv.org/abs/2407.20502v1
• Date: Tue, 30 Jul 2024 02:29:59 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-31 18:28:58.134949
• Title: Restoring Real-World Degraded Events Improves Deblurring Quality
• Title（参考訳）: リアルタイムの劣化イベントの復元が品質の低下を改善
• Authors: Yeqing Shen, Shang Li, Kun Song,
• Abstract要約: イベントの劣化をモデル化し,画像の劣化を改善するためにRDNetを提案する。 実世界の劣化イベントにおける異なる手法の劣化性能をよりよく評価するために,DavisMCRという新しい実世界のデータセットを提案する。
• 参考スコア（独自算出の注目度）: 1.841128448495454
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Due to its high speed and low latency, DVS is frequently employed in motion deblurring. Ideally, high-quality events would adeptly capture intricate motion information. However, real-world events are generally degraded, thereby introducing significant artifacts into the deblurred results. In response to this challenge, we model the degradation of events and propose RDNet to improve the quality of image deblurring. Specifically, we first analyze the mechanisms underlying degradation and simulate paired events based on that. These paired events are then fed into the first stage of the RDNet for training the restoration model. The events restored in this stage serve as a guide for the second-stage deblurring process. To better assess the deblurring performance of different methods on real-world degraded events, we present a new real-world dataset named DavisMCR. This dataset incorporates events with diverse degradation levels, collected by manipulating environmental brightness and target object contrast. Our experiments are conducted on synthetic datasets (GOPRO), real-world datasets (REBlur), and the proposed dataset (DavisMCR). The results demonstrate that RDNet outperforms classical event denoising methods in event restoration. Furthermore, RDNet exhibits better performance in deblurring tasks compared to state-of-the-art methods. DavisMCR are available at https://github.com/Yeeesir/DVS_RDNet.
• Abstract（参考訳）: 高速かつ低レイテンシのため、DVSは動作不良によく使用される。 理想的には、高品質なイベントは複雑な動き情報を取り込む。 しかし、現実世界のイベントは一般的に分解され、その結果に重要なアーティファクトが導入される。 この課題に対して、我々はイベントの劣化をモデル化し、画像の劣化を改善するためにRDNetを提案する。 具体的には、まず、分解の基礎となるメカニズムを分析し、それに基づいてペア化されたイベントをシミュレートする。 これらのペア化されたイベントはRDNetの最初のステージに送られ、復元モデルをトレーニングする。 この段階で復元されたイベントは、第二段階のデブロアリングプロセスのガイドとして機能する。 実世界の劣化イベントにおける異なる手法の劣化性能をよりよく評価するために,DavisMCRという新しい実世界のデータセットを提案する。 このデータセットは、環境の明るさと対象物のコントラストを操作することによって収集される、さまざまな劣化レベルを持つイベントを包含する。 本研究では,合成データセット(GOPRO),実世界のデータセット(REBlur),提案データセット(DavisMCR)を用いて実験を行った。 その結果,RDNetはイベント復元における古典的イベントデノゲーション手法よりも優れていた。 さらにRDNetは、最先端の手法と比較して、デブロアリングタスクのパフォーマンスが向上している。 DavisMCRはhttps://github.com/Yeeesir/DVS_RDNet.comで入手できる。

関連論文リスト

• Bilateral Event Mining and Complementary for Event Stream Super-Resolution [28.254644673666903]
  Event Stream Super-Resolution (ESR) は、イベントストリームにおける空間分解能の不足に対処することを目的としている。 両イベントマイニング・補完ネットワーク(BMCNet)を提案する。 本手法は,オブジェクト認識やビデオ再構成などのイベントベース下流タスクの性能を著しく向上させる。
  論文  参考訳（メタデータ） (2024-05-16T12:16:25Z)
• Implicit Event-RGBD Neural SLAM [54.74363487009845]
  神経性SLAMは近年顕著な進歩を遂げている。 既存の手法は、非理想的なシナリオにおいて重大な課題に直面します。 本稿では,最初のイベントRGBD暗黙的ニューラルSLAMフレームワークであるEN-SLAMを提案する。
  論文  参考訳（メタデータ） (2023-11-18T08:48:58Z)
• DR2: Diffusion-based Robust Degradation Remover for Blind Face Restoration [66.01846902242355]
  ブラインド顔復元は通常、トレーニングのための事前定義された劣化モデルで劣化した低品質データを合成する。 トレーニングデータに現実のケースをカバーするために、あらゆる種類の劣化を含めることは、高価で実現不可能である。 本稿では、まず、劣化した画像を粗いが劣化不変な予測に変換し、次に、粗い予測を高品質な画像に復元するために拡張モジュールを使用するロバスト劣化再帰法(DR2)を提案する。
  論文  参考訳（メタデータ） (2023-03-13T06:05:18Z)
• Learning to Super-Resolve Blurry Images with Events [62.61911224564196]
  単一運動ブラインド画像(SRB)からの超解像は, 運動ぼけと低空間分解能の合同劣化により, 深刻な問題となる。 我々は、SRBの負担を軽減するためにイベントを使用し、イベント強化SRB(E-SRB)アルゴリズムを提案する。 提案するeSL-Net++は最先端の手法よりも大きなマージンで優れていることを示す。
  論文  参考訳（メタデータ） (2023-02-27T13:46:42Z)
• Investigating Tradeoffs in Real-World Video Super-Resolution [90.81396836308085]
  実世界のビデオ超解像(VSR)モデルは、一般化性を改善するために様々な劣化で訓練されることが多い。 最初のトレードオフを軽減するために,性能を犠牲にすることなく,最大40%のトレーニング時間を削減できる劣化手法を提案する。 そこで本研究では,多種多様な実世界の低品質映像系列を含むビデオLQデータセットを提案する。
  論文  参考訳（メタデータ） (2021-11-24T18:58:21Z)
• Robust Event Classification Using Imperfect Real-world PMU Data [58.26737360525643]
  本研究では,不完全な実世界のファサー計測単位(PMU)データを用いて,ロバストな事象分類について検討する。 我々は、堅牢なイベント分類器を訓練するための新しい機械学習フレームワークを開発する。
  論文  参考訳（メタデータ） (2021-10-19T17:41:43Z)
• EventSR: From Asynchronous Events to Image Reconstruction, Restoration, and Super-Resolution via End-to-End Adversarial Learning [75.17497166510083]
  イベントカメラは強度の変化を感知し、従来のカメラよりも多くの利点がある。 イベントストリームからの強度画像の再構成手法が提案されている。 出力は依然として低解像度(LR)、ノイズ、非現実的である。 本研究では、イベントストリームからLR画像を再構成し、画像品質を高め、EventSRと呼ばれる拡張イメージをアップサンプリングする、新しいエンドツーエンドパイプラインを提案する。
  論文  参考訳（メタデータ） (2020-03-17T10:58:10Z)

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。