論文の概要: Frequency Enhancement for Image Demosaicking

• arxiv url: http://arxiv.org/abs/2503.15800v1
• Date: Thu, 20 Mar 2025 02:37:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-21 16:34:13.097614
• Title: Frequency Enhancement for Image Demosaicking
• Title（参考訳）: 画像復号化のための周波数強調
• Authors: Jingyun Liu, Daiqin Yang, Zhenzhong Chen,
• Abstract要約: 本稿では,RGB画像の分割・復号化を行うデュアルパス周波数拡張ネットワーク(DFENet)を提案する。 1つの経路は、空間領域の細かな精細化を通じて行方不明の情報を生成することに焦点を当て、もう1つは望ましくない周波数を抑えることを目的としている。 これらの設計により、提案されたDFENetは、異なるデータセット上で、他の最先端アルゴリズムよりも優れている。
• 参考スコア（独自算出の注目度）: 40.76899837631637
• License:
• Abstract: Recovering high-frequency textures in image demosaicking remains a challenging issue. While existing methods introduced elaborate spatial learning methods, they still exhibit limited performance. To address this issue, a frequency enhancement approach is proposed. Based on the frequency analysis of color filter array (CFA)/demosaicked/ground truth images, we propose Dual-path Frequency Enhancement Network (DFENet), which reconstructs RGB images in a divide-and-conquer manner through fourier-domain frequency selection. In DFENet, two frequency selectors are employed, each selecting a set of frequency components for processing along separate paths. One path focuses on generating missing information through detail refinement in spatial domain, while the other aims at suppressing undesirable frequencies with the guidance of CFA images in frequency domain. Multi-level frequency supervision with a stagewise training strategy is employed to further improve the reconstruction performance. With these designs, the proposed DFENet outperforms other state-of-the-art algorithms on different datasets and demonstrates significant advantages on hard cases. Moreover, to better assess algorithms' ability to reconstruct high-frequency textures, a new dataset, LineSet37, is contributed, which consists of 37 artificially designed and generated images. These images feature complex line patterns and are prone to severe visual artifacts like color moir\'e after demosaicking. Experiments on LineSet37 offer a more targeted evaluation of performance on challenging cases. The code and dataset are available at https://github.com/VelvetReverie/DFENet-demosaicking.
• Abstract（参考訳）: 画像分解における高周波テクスチャの復元は、依然として困難な問題である。 既存の手法では精巧な空間学習法が導入されたが、性能は限られている。 この問題に対処するため,周波数強調手法を提案する。 カラーフィルタアレイ(CFA/demosaicked/ground truth image)の周波数解析に基づいて、フーリエ領域の周波数選択によりRGB画像を分割・縮小的に再構成するデュアルパス周波数拡張ネットワーク(DFENet)を提案する。 DFENetでは、2つの周波数セレクタが採用され、それぞれが別々の経路に沿って処理する周波数成分のセットを選択する。 1つの経路は、空間領域における細部の改良による行方不明情報の生成に焦点を当て、もう1つは周波数領域におけるCFA画像の誘導による望ましくない周波数の抑制を目的としている。 段階的なトレーニング戦略を取り入れた多段階周波数監視を行い、再建性能をさらに向上させる。 これらの設計により、提案されたDFENetは、異なるデータセット上で他の最先端アルゴリズムよりも優れており、ハードケースにおいて大きな優位性を示している。 さらに、高周波テクスチャを再構築するアルゴリズムの能力をよりよく評価するために、37個の人工的に設計され生成された画像からなる新しいデータセットであるLineSet37が提案されている。 これらの画像は複雑なラインパターンを特徴とし、デモサック後に色モワールのような深刻な視覚的アーティファクトを呈する傾向がある。 LineSet37の実験は、挑戦的なケースのパフォーマンスをよりターゲットとした評価を提供する。 コードとデータセットはhttps://github.com/VelvetReverie/DFENet-demosaicking.comで公開されている。

関連論文リスト

• Sharpening Neural Implicit Functions with Frequency Consolidation Priors [53.6277160912059]
  符号付き距離関数 (Signed Distance Function, SDF) は、高忠実度3D表面を表現するために重要な暗黙の表現である。 現在の手法は主にニューラルネットワークを利用して、署名された3Dポイントクラウドやマルチビューイメージなど、さまざまな監督機関からSDFを学ぶ。 本研究では、高周波成分を回収し、よりシャープで完全な表面を追求することにより、低周波SDF観測を高速化する手法を提案する。
  論文  参考訳（メタデータ） (2024-12-27T16:18:46Z)
• Multi-scale Frequency Enhancement Network for Blind Image Deblurring [7.198959621445282]
  視覚障害者のためのマルチスケール周波数拡張ネットワーク(MFENet)を提案する。 ぼやけた画像のマルチスケール空間およびチャネル情報をキャプチャするために,深度的に分離可能な畳み込みに基づくマルチスケール特徴抽出モジュール(MS-FE)を導入する。 提案手法は,視覚的品質と客観的評価の両指標において,優れた劣化性能を達成できることを実証する。
  論文  参考訳（メタデータ） (2024-11-11T11:49:18Z)
• Both Spatial and Frequency Cues Contribute to High-Fidelity Image Inpainting [9.080472817672263]
  深部生成的アプローチは、近年、画像の塗布において大きな成功を収めている。 ほとんどの生成的塗布ネットワークは、過度に滑らかな結果か、アーティファクトのエイリアスに悩まされている。 本研究では、空間領域と周波数領域の両方において、リッチな意味情報を活用することで、周波数空間補間ネットワーク(FSCN)を提案する。
  論文  参考訳（メタデータ） (2023-07-15T01:52:06Z)
• Spatial-Temporal Frequency Forgery Clue for Video Forgery Detection in VIS and NIR Scenario [87.72258480670627]
  既存の周波数領域に基づく顔偽造検出手法では、GAN鍛造画像は、実際の画像と比較して、周波数スペクトルに明らかな格子状の視覚的アーチファクトを持つ。 本稿では,コサイン変換に基づくフォージェリークリュー拡張ネットワーク(FCAN-DCT)を提案し,より包括的な時空間特徴表現を実現する。
  論文  参考訳（メタデータ） (2022-07-05T09:27:53Z)
• Multi-scale frequency separation network for image deblurring [10.511076996096117]
  本稿では,マルチスケール周波数分離ネットワーク (MSFS-Net) を用いた画像分解手法を提案する。 MSFS-Netは複数のスケールで画像の低周波・高周波情報をキャプチャする。 ベンチマークデータセットの実験により,提案したネットワークが最先端の性能を達成することが示された。
  論文  参考訳（メタデータ） (2022-06-01T23:48:35Z)
• TBNet:Two-Stream Boundary-aware Network for Generic Image Manipulation Localization [49.521622399483846]
  汎用画像操作のローカライゼーションのための新しいエンド・ツー・エンド2ストリーム境界対応ネットワーク(TBNet)を提案する。 提案したTBNetは、MCCとF1の両方の観点から、最先端の汎用画像操作のローカライズ手法を大幅に上回ることができる。
  論文  参考訳（メタデータ） (2021-08-10T08:22:05Z)
• Wavelet-Based Network For High Dynamic Range Imaging [64.66969585951207]
  光学フローベースやエンド・ツー・エンドのディープラーニングベースのソリューションのような既存の方法は、詳細な復元やゴーストを除去する際にエラーを起こしやすい。 本研究では、周波数領域でHDR融合を行うための新しい周波数誘導型エンド・ツー・エンドディープニューラルネットワーク(FNet)を提案し、ウェーブレット変換(DWT)を用いて入力を異なる周波数帯域に分解する。 低周波信号は特定のゴーストアーティファクトを避けるために使用され、高周波信号は詳細を保存するために使用される。
  論文  参考訳（メタデータ） (2021-08-03T12:26:33Z)
• WaveFill: A Wavelet-based Generation Network for Image Inpainting [57.012173791320855]
  WaveFillはウェーブレットベースの塗装ネットワークで、画像を複数の周波数帯域に分解する。 WaveFillは、空間情報を自然に保存する離散ウェーブレット変換(DWT)を用いて画像を分解する。 低周波帯にL1再構成損失を、高周波帯に敵対損失を施し、それによって周波数間紛争を効果的に軽減する。
  論文  参考訳（メタデータ） (2021-07-23T04:44:40Z)
• Image inpainting using frequency domain priors [35.54138025375951]
  本稿では,周波数領域情報を用いた新しい画像塗装手法を提案する。 提案手法について,CelebA,Paris Streetview,DTDテクスチャデータセットを用いて検討した。
  論文  参考訳（メタデータ） (2020-12-03T11:08:13Z)

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。