論文の概要: Reblurring-Guided Single Image Defocus Deblurring: A Learning Framework with Misaligned Training Pairs

• arxiv url: http://arxiv.org/abs/2409.17792v1
• Date: Thu, 26 Sep 2024 12:37:50 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-28 19:42:02.051509
• Title: Reblurring-Guided Single Image Defocus Deblurring: A Learning Framework with Misaligned Training Pairs
• Title（参考訳）: Reblurring-Guided Single Image Defocus Deblurring: Misaligned Training Pairsを用いた学習フレームワーク
• Authors: Xinya Shu, Yu Li, Dongwei Ren, Xiaohe Wu, Jin Li, Wangmeng Zuo,
• Abstract要約: 本稿では,単一画像デフォーカス・デブロアリングのためのリブロアリング誘導学習フレームワークを提案する。 我々のリブラーリングモジュールは、デブラーレッド画像とリブラーレッド画像と入力ぼかし画像との空間的整合性を保証する。 我々は,典型的な誤認識を伴わない単一画像デフォーカスのための新しいデータセットを収集した。
• 参考スコア（独自算出の注目度）: 65.25002116216771
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: For single image defocus deblurring, acquiring well-aligned training pairs (or training triplets), i.e., a defocus blurry image, an all-in-focus sharp image (and a defocus blur map), is an intricate task for the development of deblurring models. Existing image defocus deblurring methods typically rely on training data collected by specialized imaging equipment, presupposing that these pairs or triplets are perfectly aligned. However, in practical scenarios involving the collection of real-world data, direct acquisition of training triplets is infeasible, and training pairs inevitably encounter spatial misalignment issues. In this work, we introduce a reblurring-guided learning framework for single image defocus deblurring, enabling the learning of a deblurring network even with misaligned training pairs. Specifically, we first propose a baseline defocus deblurring network that utilizes spatially varying defocus blur map as degradation prior to enhance the deblurring performance. Then, to effectively learn the baseline defocus deblurring network with misaligned training pairs, our reblurring module ensures spatial consistency between the deblurred image, the reblurred image and the input blurry image by reconstructing spatially variant isotropic blur kernels. Moreover, the spatially variant blur derived from the reblurring module can serve as pseudo supervision for defocus blur map during training, interestingly transforming training pairs into training triplets. Additionally, we have collected a new dataset specifically for single image defocus deblurring (SDD) with typical misalignments, which not only substantiates our proposed method but also serves as a benchmark for future research.
• Abstract（参考訳）: 単一画像のデフォーカスブラーリングでは、適切に整列されたトレーニングペア(またはトレーニングトレーレット)、すなわちデフォーカスのぼやけた画像、オールインフォーカスのシャープな画像(およびデフォーカスのぼやけマップ)を取得することは、デブルリングモデルを開発するための複雑なタスクである。 既存の画像デフォーカス除去法は、通常、特殊な撮像装置によって収集されたトレーニングデータに依存しており、これらのペアや三つ組が完全に整列していることを前提としている。 しかし,実世界のデータ収集に関わる現実的なシナリオでは,トレーニング用三重項の直接取得は不可能であり,必然的に空間的ミスアライメント問題に遭遇する。 本研究では,単一画像デフォーカス・デブロアリングのためのリブロアリング誘導学習フレームワークを導入し,不正なトレーニングペアであっても,デブロアリングネットワークの学習を可能にする。 具体的には、まず、空間的に変化するデフォーカスブラーマップを劣化として利用し、デブロリング性能を向上させるためのベースラインデフォーカスブラーリングネットワークを提案する。 そして,不整合トレーニングペアでベースラインデフォーカスデブロリングネットワークを効果的に学習するために,このリブロアモジュールは,空間的不変な等方的ボケカーネルを再構成することにより,デブロア画像,リブロア画像,入力ボケ画像間の空間的整合性を確保する。 さらに、リブラーモジュールから派生した空間変動ブラーは、トレーニング中にデフォーカスブラーマップを擬似的に監視し、トレーニングペアをトレーニングトリプレットに変換することができる。 さらに,提案手法を裏付けるだけでなく,将来的な研究のベンチマークとして機能する,典型的なミスアライメントを持つ単一画像デフォーカスデブロアリング(SDD)のための新しいデータセットを収集した。

関連論文リスト

• Learning Single Image Defocus Deblurring with Misaligned Training Pairs [80.13320797431487]
  単一画像デフォーカスデブロリングのための連成デブロアリングおよびリブロアリング学習フレームワークを提案する。 我々のフレームワークは、定量的メトリクスと視覚的品質の両方の観点から、デフォーカスデブロワーリングネットワークを向上するために適用することができる。
  論文  参考訳（メタデータ） (2022-11-26T07:36:33Z)
• Learnable Blur Kernel for Single-Image Defocus Deblurring in the Wild [9.246199263116067]
  本稿では,デフォーカスマップのガイダンスを用いて画像のデブロリングを実装する新しいデフォーカスデブロアリング法を提案する。 提案手法は,デフォーカスマップを推定する学習可能なぼかしカーネルと,デフォーカスGAN(Generative Adversarial Network)を初めてデフォーカスする単一イメージデフォーカスとから構成される。
  論文  参考訳（メタデータ） (2022-11-25T10:47:19Z)
• Single-image Defocus Deblurring by Integration of Defocus Map Prediction Tracing the Inverse Problem Computation [25.438654895178686]
  本稿では,デフォーカスマップに基づく空間変調を用いた簡易かつ効果的なネットワークを提案する。 実験結果から,本手法は既存の最先端手法よりも定量的,定性的な評価性能を向上できることが示された。
  論文  参考訳（メタデータ） (2022-07-07T02:15:33Z)
• Learning to Deblur using Light Field Generated and Real Defocus Images [4.926805108788465]
  デフォーカス・デブロワーリングは、デフォーカス・ボケの性質が空間的に変化するため、困難な作業である。 本稿では,光の強度を活用し,光源の欠点を克服する新しいディープデフォーカス・デブロアリング・ネットワークを提案する。
  論文  参考訳（メタデータ） (2022-04-01T11:35:51Z)
• Pose Adaptive Dual Mixup for Few-Shot Single-View 3D Reconstruction [35.30827580375749]
  単像3D再構成のためのポーズ適応型数ショット学習法と2段階データ正規化法を提案する。 PADMixは、ShapeNetデータセットよりも数ショット設定で過去の文献を著しく上回り、より困難な現実世界のPix3Dデータセットで新しいベンチマークを設定している。
  論文  参考訳（メタデータ） (2021-12-23T12:22:08Z)
• Defocus Map Estimation and Deblurring from a Single Dual-Pixel Image [54.10957300181677]
  本稿では,1枚のデュアルピクセルイメージを入力として,画像のデフォーカスマップを同時に推定する手法を提案する。 本手法は,デフォーカスマップ推定とぼかし除去の両方において,教師なしでも事前作業を改善する。
  論文  参考訳（メタデータ） (2021-10-12T00:09:07Z)
• Single image deep defocus estimation and its applications [82.93345261434943]
  画像パッチを20レベルの曖昧さの1つに分類するために、ディープニューラルネットワークをトレーニングします。 トレーニングされたモデルは、反復重み付きガイドフィルタを適用して改善するパッチのぼかしを決定するために使用される。 その結果、デフォーカスマップは各ピクセルのぼやけた度合いの情報を運ぶ。
  論文  参考訳（メタデータ） (2021-07-30T06:18:16Z)
• Rectifying the Shortcut Learning of Background: Shared Object Concentration for Few-Shot Image Recognition [101.59989523028264]
  Few-Shot画像分類は、大規模なデータセットから学んだ事前学習された知識を利用して、一連の下流分類タスクに取り組むことを目的としている。 本研究では,Few-Shot LearningフレームワークであるCOSOCを提案する。
  論文  参考訳（メタデータ） (2021-07-16T07:46:41Z)
• Rapid Whole Slide Imaging via Learning-based Two-shot Virtual Autofocusing [57.90239401665367]
  ホイルスライドイメージング(WSI)は、デジタル病理の新たな技術である。 本稿では,リフォーカスを行うための機械的調整に依存しないテキスト仮想オートフォーカスの概念を提案する。
  論文  参考訳（メタデータ） (2020-03-14T13:40:33Z)

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。