論文の概要: Generative Adversarial Network on Motion-Blur Image Restoration

• arxiv url: http://arxiv.org/abs/2412.19479v1
• Date: Fri, 27 Dec 2024 06:12:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-30 17:25:07.933089
• Title: Generative Adversarial Network on Motion-Blur Image Restoration
• Title（参考訳）: モーション・ブラル画像復元におけるジェネレーティブ・アドバイサル・ネットワーク
• Authors: Zhengdong Li,
• Abstract要約: 我々は、GAN(Generative Adrial Networks)を活用して、動きのぼやけによるイメージを効果的に損なうことに焦点をあてる。 GANベースの逆流モデルを定義し、GoProデータセットを用いてトレーニングし、評価する。 PNR(Peak Signal-to-Noise Ratio)とSSIM(Structure similarity Index Measure)は、画像品質の定量的測定に使用される2つの評価指標である。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: In everyday life, photographs taken with a camera often suffer from motion blur due to hand vibrations or sudden movements. This phenomenon can significantly detract from the quality of the images captured, making it an interesting challenge to develop a deep learning model that utilizes the principles of adversarial networks to restore clarity to these blurred pixels. In this project, we will focus on leveraging Generative Adversarial Networks (GANs) to effectively deblur images affected by motion blur. A GAN-based Tensorflow model is defined, training and evaluating by GoPro dataset which comprises paired street view images featuring both clear and blurred versions. This adversarial training process between Discriminator and Generator helps to produce increasingly realistic images over time. Peak Signal-to-Noise Ratio (PSNR) and Structural Similarity Index Measure (SSIM) are the two evaluation metrics used to provide quantitative measures of image quality, allowing us to evaluate the effectiveness of the deblurring process. Mean PSNR in 29.1644 and mean SSIM in 0.7459 with average 4.6921 seconds deblurring time are achieved in this project. The blurry pixels are sharper in the output of GAN model shows a good image restoration effect in real world applications.
• Abstract（参考訳）: 日常生活では、カメラで撮影した写真は手の振動や突然の動きによる動きのぼやけに悩まされることが多い。 この現象は,画像の品質を著しく損なう可能性があるため,これらのぼやけた画素の明瞭さを回復するために,敵対的ネットワークの原理を利用するディープラーニングモデルを開発することは興味深い課題である。 本稿では、GAN(Generative Adversarial Networks)を利用して、動きのぼかしの影響を効果的に軽減することに焦点を当てる。 GANベースのTensorflowモデルを定義し、明確なバージョンとぼやけたバージョンを特徴とする、ペアのストリートビューイメージを含むGoProデータセットをトレーニングし、評価する。 ディスクリミネータとジェネレータの間のこの敵対的なトレーニングプロセスは、時間とともにますます現実的なイメージを生成するのに役立ちます。 PNR(Peak Signal-to-Noise Ratio)とSSIM(Structure similarity Index Measure)は、画像品質の定量的測定に使用される2つの評価指標であり、劣化過程の有効性を評価することができる。 平均PSNRは29.1644、平均SSIMは0.7459で、平均4.6921秒の遅延時間が得られる。 GANモデルの出力において、ぼやけたピクセルはよりシャープであり、実世界のアプリケーションでは良好な画像復元効果を示す。

関連論文リスト

• Real-World Efficient Blind Motion Deblurring via Blur Pixel Discretization [45.20189929583484]
  我々は,デブロアリング(回帰)タスクを,画素の離散化と離散連続変換タスクに分解する。 具体的には,ぼやけた画素を識別して画像残差誤差を生成し,連続的な形状に変換する。
  論文  参考訳（メタデータ） (2024-04-18T13:22:56Z)
• Image Deblurring using GAN [0.0]
  本研究は,GAN(Generative Adversarial Network)の画像処理への応用に焦点を当てた。 プロジェクトはGANモデルのインフローを定義し、GoPROデータセットでトレーニングする。 ネットワークは画像のシャープなピクセルを取得でき、平均29.3ピーク信号対雑音比(PSNR)と0.72構造類似度評価(SSIM)を実現している。
  論文  参考訳（メタデータ） (2023-12-15T02:43:30Z)
• DGNet: Dynamic Gradient-Guided Network for Water-Related Optics Image Enhancement [77.0360085530701]
  水中画像強調(UIE)は、水中環境によって引き起こされる複雑な劣化のために難しい課題である。 従来の手法では、劣化過程を理想化し、中音や物体の動きが画像の特徴の分布に与える影響を無視することが多い。 提案手法では,予測画像を用いて疑似ラベルを動的に更新し,動的勾配を加えてネットワークの勾配空間を最適化する。
  論文  参考訳（メタデータ） (2023-12-12T06:07:21Z)
• Recovering Continuous Scene Dynamics from A Single Blurry Image with Events [58.7185835546638]
  インプリシットビデオ関数(IVF)は、同時イベントを伴う単一の動きのぼやけた画像を表現する。 両モードの利点を効果的に活用するために、二重注意変換器を提案する。 提案するネットワークは,限られた参照タイムスタンプの地平線画像の監督のみで訓練される。
  論文  参考訳（メタデータ） (2023-04-05T18:44:17Z)
• SAR Despeckling using a Denoising Diffusion Probabilistic Model [52.25981472415249]
  スペックルの存在は画像品質を劣化させ、SAR画像理解アプリケーションの性能に悪影響を及ぼす。 本稿では,SAR脱種のための拡散確率モデルであるSAR-DDPMを紹介する。 提案手法は, 最先端の切り離し法と比較して, 定量化と定性化の両面で有意な改善を実現している。
  論文  参考訳（メタデータ） (2022-06-09T14:00:26Z)
• Designing a Practical Degradation Model for Deep Blind Image Super-Resolution [134.9023380383406]
  単一画像スーパーレゾリューション (sisr) 法は, 推定劣化モデルが実画像から逸脱した場合はうまく動作しない。 本稿では, ランダムにシャッフルされたブラー, ダウンサンプリング, ノイズ劣化からなる, より複雑で実用的な劣化モデルを提案する。
  論文  参考訳（メタデータ） (2021-03-25T17:40:53Z)
• Deblurring Processor for Motion-Blurred Faces Based on Generative Adversarial Networks [0.5837881923712392]
  本論文では,主に運動破砕面の修復に焦点を当てる。 GAN(Generative Adversarial Network)に基づく動きブルの顔画像信号のデブロアリング法を提案する。 エンドツーエンドの手法を使用して、シャープな画像生成装置、すなわち、動きを破った顔画像のプロセッサを訓練する。
  論文  参考訳（メタデータ） (2021-03-03T01:35:02Z)
• Single Image Non-uniform Blur Kernel Estimation via Adaptive Basis Decomposition [1.854931308524932]
  本研究では,高密度な非一様運動ボケ推定のための一般非パラメトリックモデルを提案する。 提案手法は,既存の不均一な動きのぼかし推定の限界を克服することを示す。
  論文  参考訳（メタデータ） (2021-02-01T18:02:31Z)
• Learning Spatial and Spatio-Temporal Pixel Aggregations for Image and Video Denoising [104.59305271099967]
  ピクセル集計ネットワークを提示し、画像デノイジングのためのピクセルサンプリングと平均戦略を学びます。 時間空間にまたがるサンプル画素をビデオデノナイズするための画素集約ネットワークを開発した。 本手法は,動的シーンにおける大きな動きに起因する誤認問題を解決することができる。
  論文  参考訳（メタデータ） (2021-01-26T13:00:46Z)
• Self-Supervised Linear Motion Deblurring [112.75317069916579]
  深層畳み込みニューラルネットワークは、画像の劣化の最先端技術である。 本稿では,自己監督型動作遅延に対する識別可能なreblurモデルを提案する。 我々の実験は、自己監督された単一画像の劣化が本当に実現可能であることを実証した。
  論文  参考訳（メタデータ） (2020-02-10T20:15:21Z)

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。