Fugu-MT 論文翻訳(概要): A Sharpness Based Loss Function for Removing Out-of-Focus Blur

論文の概要: A Sharpness Based Loss Function for Removing Out-of-Focus Blur

arxiv url: http://arxiv.org/abs/2408.06014v1
Date: Mon, 12 Aug 2024 08:59:56 GMT
ステータス: 処理完了
システム内更新日: 2024-08-13 14:25:27.715430
Title: A Sharpness Based Loss Function for Removing Out-of-Focus Blur
Title（参考訳）: シャープネスに基づくアウトオブフォーカスブラの除去機能
Authors: Uditangshu Aurangabadkar, Darren Ramsook, Anil Kokaram,
Abstract要約: 微調整法では、知覚品質が7.5%上昇した画像を生成する。最先端(SOTA)法では,Qが6.7%増加し,PSNRが7.25%増加した。
参考スコア（独自算出の注目度）: 0.6827423171182154
License: http://creativecommons.org/licenses/by-sa/4.0/
Abstract: The success of modern Deep Neural Network (DNN) approaches can be attributed to the use of complex optimization criteria beyond standard losses such as mean absolute error (MAE) or mean squared error (MSE). In this work, we propose a novel method of utilising a no-reference sharpness metric Q introduced by Zhu and Milanfar for removing out-of-focus blur from images. We also introduce a novel dataset of real-world out-of-focus images for assessing restoration models. Our fine-tuned method produces images with a 7.5 % increase in perceptual quality (LPIPS) as compared to a standard model trained only on MAE. Furthermore, we observe a 6.7 % increase in Q (reflecting sharper restorations) and 7.25 % increase in PSNR over most state-of-the-art (SOTA) methods.
Abstract（参考訳）: 現代のディープニューラルネットワーク(DNN)アプローチの成功は、平均絶対誤差(MAE)や平均二乗誤差(MSE)といった標準的な損失を超えた、複雑な最適化基準の使用による可能性がある。本研究では,Zhu と Milanfar が導入した非参照シャープネス指標 Q を用いて,画像からぼかしを除去する手法を提案する。また、修復モデルを評価するために、実世界のアウト・オブ・フォーカス画像の新しいデータセットも導入する。本手法は, 知覚品質(LPIPS)が7.5%向上した画像を生成する。さらに,最先端(SOTA)法では,Qが6.7%増加し,PSNRが7.25%増加した。

関連論文リスト

Perceptual-Distortion Balanced Image Super-Resolution is a Multi-Objective Optimization Problem [23.833099288826045]
画素ベースの回帰損失を用いた単一画像超解法(SISR)モデルのトレーニングは、高い歪みメトリクススコアを得ることができる。しかし、高周波の詳細の回復が不十分なため、しばしばぼやけた画像が生じる。本稿では,Multi-Objective Optimization(MOO)をSISRモデルのトレーニングプロセスに組み込んで,知覚品質と歪みのバランスをとる手法を提案する。
論文参考訳（メタデータ） (2024-09-05T02:14:04Z)
A Dictionary Based Approach for Removing Out-of-Focus Blur [0.0]
アウト・オブ・フォーカスのぼかし除去作業のための高速・高精度画像超解法アルゴリズムの拡張を提案する。資産配分管理に基づく計量に基づくブレンディング戦略も提案する。本手法は,一般的な脱臭法と比較して約13%(PSNR)と10%(SSIM)の平均的な増加を示す。
論文参考訳（メタデータ） (2024-06-17T08:42:03Z)
Latent Feature-Guided Diffusion Models for Shadow Removal [50.02857194218859]
本稿では,拡散過程における影領域の詳細を段階的に洗練する,有望なアプローチとして拡散モデルの利用を提案する。シャドウフリー画像の特徴を継承する学習された潜在特徴空間を条件付けすることで,この処理を改善する。 AISTDデータセット上でRMSEを13%向上させる手法の有効性を示す。
論文参考訳（メタデータ） (2023-12-04T18:59:55Z)
Learning from History: Task-agnostic Model Contrastive Learning for Image Restoration [79.04007257606862]
本稿では,対象モデル自体から負のサンプルを動的に生成する「歴史からの学習」という革新的な手法を提案する。我々のアプローチはMCLIR(Model Contrastive Learning for Image Restoration)と呼ばれ、遅延モデルを負のモデルとして再定義し、多様な画像復元タスクと互換性を持たせる。
論文参考訳（メタデータ） (2023-09-12T07:50:54Z)
Improving Pixel-based MIM by Reducing Wasted Modeling Capability [77.99468514275185]
浅い層から低レベルの特徴を明示的に利用して画素再構成を支援する手法を提案する。私たちの知る限りでは、等方的アーキテクチャのためのマルチレベル特徴融合を体系的に研究するのは、私たちは初めてです。提案手法は, 微調整では1.2%, 線形探索では2.8%, セマンティックセグメンテーションでは2.6%など, 大幅な性能向上をもたらす。
論文参考訳（メタデータ） (2023-08-01T03:44:56Z)
ExposureDiffusion: Learning to Expose for Low-light Image Enhancement [87.08496758469835]
この研究は、拡散モデルと物理ベースの露光モデルとをシームレスに統合することで、この問題に対処する。提案手法は,バニラ拡散モデルと比較して性能が大幅に向上し,推論時間を短縮する。提案するフレームワークは、実際のペア付きデータセット、SOTAノイズモデル、および異なるバックボーンネットワークの両方で動作する。
論文参考訳（メタデータ） (2023-07-15T04:48:35Z)
Deep Optimal Transport: A Practical Algorithm for Photo-realistic Image Restoration [31.58365182858562]
事前学習したモデルの知覚的品質および/または平均二乗誤差(MSE)を制御できる画像復元アルゴリズムを提案する。モデルによって復元された約1ダースの画像を考えると、新たな画像に対するモデルの知覚的品質と/またはMSEを、それ以上の訓練をすることなく大幅に向上させることができる。
論文参考訳（メタデータ） (2023-06-04T12:21:53Z)
DifFIQA: Face Image Quality Assessment Using Denoising Diffusion Probabilistic Models [1.217503190366097]
顔画像品質評価(FIQA)技術は、これらの性能劣化を軽減することを目的としている。拡散確率モデル(DDPM)に基づく強力な新しいFIQA手法DifFIQAを提案する。拡散に基づく摂動は計算コストが高いため、DifFIQA(R)と呼ばれる回帰ベースの品質予測器にDifFIQAで符号化された知識を蒸留する。
論文参考訳（メタデータ） (2023-05-09T21:03:13Z)
Perception-Distortion Balanced ADMM Optimization for Single-Image Super-Resolution [29.19388490351459]
低周波制約(LFc-SR)を持つ新しい超解像モデルを提案する。制約付きモデルの非自明な学習のためのADMMに基づく交互最適化手法を提案する。実験の結果,提案手法は加工後処理の煩雑さを伴わず,最先端の性能を達成できた。
論文参考訳（メタデータ） (2022-08-05T05:37:55Z)
To be Critical: Self-Calibrated Weakly Supervised Learning for Salient Object Detection [95.21700830273221]
弱教師付き有色物体検出(WSOD)は,画像レベルのアノテーションを用いた有色度モデルの開発を目的としている。擬似ラベルとネットワーク予測の相互校正ループを明確に設定し,自己校正学習戦略を提案する。十分に整合したアノテーションを持つはるかに小さなデータセットであっても、モデルがより優れたパフォーマンスと一般化性を達成するのに役立ちます。
論文参考訳（メタデータ） (2021-09-04T02:45:22Z)
Perceptually Optimizing Deep Image Compression [53.705543593594285]
平均二乗誤差(MSE)と$ell_p$ノルムは、ニューラルネットワークの損失の測定で大きく支配されている。本稿では,定量的知覚モデルに対して,画像解析ネットワークを最適化するための異なるプロキシ手法を提案する。
論文参考訳（メタデータ） (2020-07-03T14:33:28Z)

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。