論文の概要: Adjust Your Focus: Defocus Deblurring From Dual-Pixel Images Using Explicit Multi-Scale Cross-Correlation
- arxiv url: http://arxiv.org/abs/2502.11002v1
- Date: Sun, 16 Feb 2025 05:55:57 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-18 14:10:56.804195
- Title: Adjust Your Focus: Defocus Deblurring From Dual-Pixel Images Using Explicit Multi-Scale Cross-Correlation
- Title(参考訳): 焦点の調整:Defocus debluring from Dual-Pixel Images using Explicit Multi-Scale Cross-Correlation
- Authors: Kunal Swami,
- Abstract要約: 写真ではデフォーカスのぼかしが一般的な問題である。
最近の研究は、この問題を解決するためにデュアルピクセル(DP)画像情報を活用している。
本稿では,2つのDPビュー間の相互相関関係を明示的に提案し,ネットワークの適切な振れを導出する。
- 参考スコア(独自算出の注目度): 1.661922907889139
- License:
- Abstract: Defocus blur is a common problem in photography. It arises when an image is captured with a wide aperture, resulting in a shallow depth of field. Sometimes it is desired, e.g., in portrait effect. Otherwise, it is a problem from both an aesthetic point of view and downstream computer vision tasks, such as segmentation and depth estimation. Defocusing an out-of-focus image to obtain an all-in-focus image is a highly challenging and often ill-posed problem. A recent work exploited dual-pixel (DP) image information, widely available in consumer DSLRs and high-end smartphones, to solve the problem of defocus deblurring. DP sensors result in two sub-aperture views containing defocus disparity cues. A given pixel's disparity is directly proportional to the distance from the focal plane. However, the existing methods adopt a na\"ive approach of a channel-wise concatenation of the two DP views without explicitly utilizing the disparity cues within the network. In this work, we propose to perform an explicit cross-correlation between the two DP views to guide the network for appropriate deblurring in different image regions. We adopt multi-scale cross-correlation to handle blur and disparities at different scales. Quantitative and qualitative evaluation of our multi-scale cross-correlation network (MCCNet) reveals that it achieves better defocus deblurring than existing state-of-the-art methods despite having lesser computational complexity.
- Abstract(参考訳): 写真ではデフォーカスのぼかしが一般的な問題である。
画像が広い開口部で捉えられ、被写界深度が浅いときに発生する。
ポートレート効果において、例えば、望まれることがある。
さもなくば、セグメンテーションや深さ推定のような美的視点と下流のコンピュータビジョンのタスクの両方から問題となる。
オールインフォーカス画像を得るためにアウト・オブ・フォーカス画像を定義することは、非常に困難であり、しばしば不適切な問題である。
最近の研究では、デフォーカス劣化の問題を解決するために、コンシューマDSLRやハイエンドスマートフォンで広く利用されているデュアルピクセル(DP)画像情報を活用している。
DPセンサは2つのサブアパーチャビューにデフォーカスの相違点を含む。
与えられた画素の差は焦点面からの距離に直接比例する。
しかし,既存の手法では,2つのDPビューをチャネルワイズで結合する手法を,ネットワーク内の相違点を明示的に利用せずに採用している。
本研究では,2つのDPビュー間の明示的な相互相関を行い,異なる画像領域における適切な振れを誘導する手法を提案する。
異なるスケールでのぼやけや相違に対処するために、マルチスケールのクロスコリレーションを採用しています。
マルチスケールクロスコリレーションネットワーク(MCCNet)の定量的,定性的な評価により,計算複雑性が低いにもかかわらず,既存の最先端手法よりもデフォーカスデブロリングが優れていることが明らかになった。
関連論文リスト
- Learning Dual-Pixel Alignment for Defocus Deblurring [73.80328094662976]
本稿では,デフォーカス除去のためのDPANet(Dual-Pixel Alignment Network)を提案する。
目に見える鋭い構造やテクスチャを回復しながら、デフォーカスのぼやけを減らし、最先端のデブロアリング法よりも優れている。
論文 参考訳(メタデータ) (2022-04-26T07:02:58Z) - 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) - 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) - Improving Single-Image Defocus Deblurring: How Dual-Pixel Images Help
Through Multi-Task Learning [48.063176079878055]
本稿では,2つのサブアパーチャビューをマルチタスクフレームワークに組み込んだシングルイメージデブロアリングネットワークを提案する。
実験により, このマルチタスク戦略は, 最先端デフォーカスデブロリング法よりも+1dBPSNRの改善を達成できることが示された。
これらの高品質DPビューは、リフレクション除去など、他のDPベースのアプリケーションに使用することができる。
論文 参考訳(メタデータ) (2021-08-11T14:45:15Z) - 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) - BaMBNet: A Blur-aware Multi-branch Network for Defocus Deblurring [74.34263243089688]
畳み込みニューラルネットワーク(CNN)は、デフォーカス劣化問題に導入され、大きな進歩を遂げた。
本研究では,異なる領域(ブラー量が異なる)を区別して扱う新しいマルチブランチネットワーク(BaMBNet)を設計する。
定量的および定性的な実験は、BaMBNetが最先端の手法より優れていることを示している。
論文 参考訳(メタデータ) (2021-05-31T07:55:30Z) - Geometric Scene Refocusing [9.198471344145092]
本研究では,焦点スタックの文脈における浅層深度画像の微視的特徴について検討する。
焦点内画素、二重焦点画素、焦点スライス間のボケと空間的に異なるぼやけたカーネルを示す画素を同定する。
幾何的に正しい方法で捕獲後再フォーカスのための包括的アルゴリズムを提案する。
論文 参考訳(メタデータ) (2020-12-20T06:33:55Z) - Defocus Blur Detection via Depth Distillation [64.78779830554731]
初めてDBDに深度情報を導入します。
より詳しくは, 地底の真理と, 十分に訓練された深度推定ネットワークから抽出した深度から, デフォーカスのぼかしを学習する。
我々の手法は、2つの一般的なデータセット上で11の最先端の手法より優れています。
論文 参考訳(メタデータ) (2020-07-16T04:58:09Z) - Defocus Deblurring Using Dual-Pixel Data [41.201653787083735]
デフォーカスのぼかしは、広い開口部の使用により被写界深度が浅い画像に現れる。
最新のカメラで検出されるデュアルピクセル(DP)センサで利用可能なデータを活用する,効果的なデフォーカスデブロリング手法を提案する。
論文 参考訳(メタデータ) (2020-05-01T10:38:00Z)
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。