論文の概要: Frequency-domain Learning with Kernel Prior for Blind Image Deblurring

• arxiv url: http://arxiv.org/abs/2504.14664v1
• Date: Sun, 20 Apr 2025 16:00:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-29 21:00:19.617826
• Title: Frequency-domain Learning with Kernel Prior for Blind Image Deblurring
• Title（参考訳）: ブラインド画像の劣化に先立ってカーネルを用いた周波数領域学習
• Authors: Jixiang Sun, Fei Lei, Jiawei Zhang, Wenxiu Sun, Yujiu Yang,
• Abstract要約: 我々は、カーネルが画像コンテキストに依存しないため、カーネルを深層学習手法に導入する。 カーネルの事前情報を効果的に融合するために,従来のデブロアリングアルゴリズムにインスパイアされた合理的な実装手法を採用する。 実験の結果,本手法は複数のブラインド画像の劣化タスクにおいて,最先端の手法よりも優れていた。
• 参考スコア（独自算出の注目度）: 43.903607067456605
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: While achieving excellent results on various datasets, many deep learning methods for image deblurring suffer from limited generalization capabilities with out-of-domain data. This limitation is likely caused by their dependence on certain domain-specific datasets. To address this challenge, we argue that it is necessary to introduce the kernel prior into deep learning methods, as the kernel prior remains independent of the image context. For effective fusion of kernel prior information, we adopt a rational implementation method inspired by traditional deblurring algorithms that perform deconvolution in the frequency domain. We propose a module called Frequency Integration Module (FIM) for fusing the kernel prior and combine it with a frequency-based deblurring Transfomer network. Experimental results demonstrate that our method outperforms state-of-the-art methods on multiple blind image deblurring tasks, showcasing robust generalization abilities. Source code will be available soon.
• Abstract（参考訳）: 様々なデータセットで優れた結果が得られる一方で、画像の劣化に対する多くのディープラーニング手法は、領域外データによる限定的な一般化能力に悩まされている。 この制限は、特定のドメイン固有のデータセットへの依存に起因する可能性が高い。 この課題に対処するためには、カーネルが画像コンテキストから独立しているため、カーネルを深層学習手法に導入する必要があると論じる。 カーネル事前情報を効果的に融合するために、周波数領域のデコンボリューションを行う従来のデブロアリングアルゴリズムにインスパイアされた合理的な実装手法を採用する。 本稿では、カーネルを事前に融合させた周波数統合モジュール(FIM)と周波数ベースのデブロアリングトランスフォーマーネットワークを組み合わせたモジュールを提案する。 実験結果から,本手法は複数のブラインド画像劣化タスクにおける最先端の手法よりも優れ,堅牢な一般化能力を示すことが示された。 ソースコードは近く公開される。

関連論文リスト

• Blind Time-of-Flight Imaging: Sparse Deconvolution on the Continuum with Unknown Kernels [8.59982222642104]
  ToF (Computer Time-of-Flight) イメージングは、エキサイティングで新しい画像モダリティとして登場した。 本稿では,カーネルキャリブレーションを必要とせず,連続体上のスパーススパイクを回復する新しいToFイメージング手法を提案する。
  論文  参考訳（メタデータ） (2024-10-31T22:42:02Z)
• Blind Image Deblurring with FFT-ReLU Sparsity Prior [1.179778723980276]
  ブラインドイメージデブロアリング(Blind image deblurring)は、ぼやけたカーネルに関する事前知識のないぼやけたイメージからシャープなイメージを復元するプロセスである。 画像の種類を多岐にわたって効果的に劣化させるために,ぼやけたカーネルを対象とする先行処理を利用する手法を提案する。
  論文  参考訳（メタデータ） (2024-06-12T15:51:39Z)
• Uncertainty-Aware Unsupervised Image Deblurring with Deep Residual Prior [23.417096880297702]
  非ブラインドデブロワー法は、正確なぼやけたカーネル仮定の下で良好な性能を達成する。 ドメイン知識を取り入れた手作りの事前処理は、一般的によく機能するが、カーネル(または誘導)エラーが複雑である場合には性能が低下する可能性がある。 トレーニングデータの多様性と多さに過度に依存するデータ駆動事前は、アウト・オブ・ディストリビューションの曖昧さやイメージに対して脆弱である。 本稿では,ぼやけた画像から潜像を復元し,不正確なぼやけたカーネルを復元する,教師なしセミブレンドデブロアリングモデルを提案する。
  論文  参考訳（メタデータ） (2022-10-09T11:10:59Z)
• Unfolded Deep Kernel Estimation for Blind Image Super-resolution [23.798845090992728]
  ブラインド画像超解像(BISR)は、未知のぼやけたカーネルとノイズによって劣化した低解像度画像から高解像度画像を再構成することを目的としている。 我々は,我々の最良知識に対して初めて,データ項を高効率で明示的に解く,新しい展開深層カーネル推定法 (UDKE) を提案する。
  論文  参考訳（メタデータ） (2022-03-10T07:54:59Z)
• Learning Discriminative Shrinkage Deep Networks for Image Deconvolution [122.79108159874426]
  本稿では,これらの用語を暗黙的にモデル化する識別的縮小関数を学習することで,効果的に非盲検デコンボリューション手法を提案する。 実験結果から,提案手法は最先端の手法に対して,効率と精度の点で好適に動作することがわかった。
  論文  参考訳（メタデータ） (2021-11-27T12:12:57Z)
• Mutual Affine Network for Spatially Variant Kernel Estimation in Blind Image Super-Resolution [130.32026819172256]
  既存のブラインド画像超解像法(SR)は、ぼやけたカーネルが画像全体にわたって空間的に不変であると仮定する。 本稿では,空間変動カーネル推定のための相互アフィンネットワーク(MANet)を提案する。
  論文  参考訳（メタデータ） (2021-08-11T16:11:17Z)
• MetaKernel: Learning Variational Random Features with Limited Labels [120.90737681252594]
  少数の注釈付きサンプルから学習し、新しいタスクでうまく一般化できるという根本的かつ困難な問題に、少数のショットラーニングが対処します。 マルチショット学習のためのランダムなフーリエ機能を備えたメタラーニングカーネルをMeta Kernelと呼びます。
  論文  参考訳（メタデータ） (2021-05-08T21:24:09Z)
• The Unreasonable Effectiveness of Patches in Deep Convolutional Kernels Methods [0.0]
  本稿では,畳み込みカーネル法の性能向上の鍵となる,データ依存型特徴抽出手法の重要性を示す。 この手法を挑戦的なImageNetデータセットにスケールアップし、そのような単純なアプローチが既存のすべての非学習表現メソッドを超えることを示した。
  論文  参考訳（メタデータ） (2021-01-19T09:30:58Z)
• Blind Image Deblurring based on Kernel Mixture [0.0]
  この論文は、ボケカーネルの構造を調節する。 ガウスカーネルをベースカーネルとして使用しながら,カーネル混合構造を提案する。 データ駆動による基本カーネルの数の決定により、構造はさらに柔軟になる。
  論文  参考訳（メタデータ） (2021-01-15T17:56:37Z)
• Federated Doubly Stochastic Kernel Learning for Vertically Partitioned Data [93.76907759950608]
  本稿では,垂直分割データに対する2倍のカーネル学習アルゴリズムを提案する。 本稿では,FDSKLがカーネルを扱う場合,最先端のフェデレーション学習手法よりもはるかに高速であることを示す。
  論文  参考訳（メタデータ） (2020-08-14T05:46:56Z)
• Multiple Video Frame Interpolation via Enhanced Deformable Separable Convolution [67.83074893311218]
  カーネルベースの手法は、ソースフレームと空間適応型ローカルカーネルを囲む単一の畳み込みプロセスでピクセルを予測する。 本稿では,適応カーネルだけでなく,オフセット,マスク,バイアスを推定するための拡張変形性分離畳み込み(EDSC)を提案する。 提案手法は,幅広いデータセットを対象とした最先端の手法に対して良好に動作することを示す。
  論文  参考訳（メタデータ） (2020-06-15T01:10:59Z)

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。