論文の概要: Generative Latent Kernel Modeling for Blind Motion Deblurring

• arxiv url: http://arxiv.org/abs/2507.09285v1
• Date: Sat, 12 Jul 2025 13:48:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-15 18:48:22.871274
• Title: Generative Latent Kernel Modeling for Blind Motion Deblurring
• Title（参考訳）: ブラインド・モーション・デブロアリングのためのジェネレーション潜在カーネル・モデリング
• Authors: Chenhao Ding, Jiangtao Zhang, Zongsheng Yue, Hui Wang, Qian Zhao, Deyu Meng,
• Abstract要約: 本稿では,深層生成ネットワークジェネレータに基づくカーネルのぼかし推定のための新しいフレームワークを提案する。 我々は、挑戦的なベンチマークデータセットで最先端のパフォーマンスを達成する。
• 参考スコア（独自算出の注目度）: 43.79789971884913
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep prior-based approaches have demonstrated remarkable success in blind motion deblurring (BMD) recently. These methods, however, are often limited by the high non-convexity of the underlying optimization process in BMD, which leads to extreme sensitivity to the initial blur kernel. To address this issue, we propose a novel framework for BMD that leverages a deep generative model to encode the kernel prior and induce a better initialization for the blur kernel. Specifically, we pre-train a kernel generator based on a generative adversarial network (GAN) to aptly characterize the kernel's prior distribution, as well as a kernel initializer to provide a well-informed and high-quality starting point for kernel estimation. By combining these two components, we constrain the BMD solution within a compact latent kernel manifold, thus alleviating the aforementioned sensitivity for kernel initialization. Notably, the kernel generator and initializer are designed to be easily integrated with existing BMD methods in a plug-and-play manner, enhancing their overall performance. Furthermore, we extend our approach to tackle blind non-uniform motion deblurring without the need for additional priors, achieving state-of-the-art performance on challenging benchmark datasets. The source code is available at https://github.com/dch0319/GLKM-Deblur.
• Abstract（参考訳）: 近年,ブラインドモーション・デブロワーリング (BMD) において, 深い先行的アプローチが顕著な成功を収めている。 しかしながら、これらの手法は、BMDにおける基礎となる最適化プロセスの非凸性によってしばしば制限され、初期ぼやけたカーネルに対して極端に敏感になる。 この問題に対処するため,我々はBMDのための新しいフレームワークを提案する。このフレームワークは,深層生成モデルを利用してカーネルを事前にエンコードし,ボケカーネルのより優れた初期化を誘導する。 具体的には、生成逆数ネットワーク(GAN)に基づくカーネル生成器を事前訓練し、カーネルの事前分布を適切に特徴付けるとともに、カーネル初期化器を用いて、カーネル推定のための良質で高品質な開始点を提供する。 これら2つの成分を組み合わせることで、コンパクトな潜在核多様体内のBMD解を制約し、上記のカーネル初期化に対する感度を緩和する。 特に、カーネルジェネレータと初期化器は、プラグイン・アンド・プレイ方式で既存のBMDメソッドと容易に統合できるように設計されており、全体的な性能が向上している。 さらに、我々は、新たな事前処理を必要とせず、ブラインド非一様動作の欠陥に取り組むためのアプローチを拡張し、挑戦的なベンチマークデータセットで最先端のパフォーマンスを達成する。 ソースコードはhttps://github.com/dch0319/GLKM-Deblur.comで入手できる。

関連論文リスト

• Scalable Gaussian Processes with Low-Rank Deep Kernel Decomposition [7.532273334759435]
  カーネルはガウス過程(GP)モデルにおいて、事前の信念とデータ構造を符号化する鍵である。 ディープカーネル学習は、標準的なパラメトリック形式を適用する前に、ニューラルネットワークを介して入力を入力することで、カーネルの柔軟性を向上させる。 我々は、ニューラルネットワークが直接低ランクカーネルを表現する、完全にデータ駆動でスケーラブルなディープカーネル表現を導入する。
  論文  参考訳（メタデータ） (2025-05-24T05:42:11Z)
• Blind Image Deconvolution by Generative-based Kernel Prior and Initializer via Latent Encoding [46.40894748268764]
  ブラインド画像符号化は、画像処理の分野では古典的だが難しい問題である。 近年の深部画像先行法(DBID)の進歩は,a世代的アプローチを示す一連の手法を動機づけている。 本稿では、事前モデリングをよりよく検討する新しい前世代的アプローチと、カーネルを曖昧にするための生成的アプローチを提案する。
  論文  参考訳（メタデータ） (2024-07-20T09:23:56Z)
• Blind Super-Resolution via Meta-learning and Markov Chain Monte Carlo Simulation [46.5310645609264]
  本稿では,メタラーニングとマルコフ・チェイン・モンテカルロに基づくSISRアプローチを提案する。 軽量ネットワークがカーネルジェネレータとして採用され、ランダムガウス分布のMCMCシミュレーションから学習することで最適化される。 カーネルジェネレータと画像復元器を最適化するために,メタラーニングに基づく交互最適化手法を提案する。
  論文  参考訳（メタデータ） (2024-06-13T07:50:15Z)
• Meta-Learning Hypothesis Spaces for Sequential Decision-making [79.73213540203389]
  オフラインデータ(Meta-KeL)からカーネルをメタ学習することを提案する。 穏やかな条件下では、推定されたRKHSが有効な信頼セットを得られることを保証します。 また,ベイズ最適化におけるアプローチの有効性を実証的に評価した。
  論文  参考訳（メタデータ） (2022-02-01T17:46:51Z)
• Kernel Identification Through Transformers [54.3795894579111]
  カーネル選択はガウス過程(GP)モデルの性能決定において中心的な役割を果たす。 この研究は、高次元GP回帰モデルのためのカスタムカーネル関数を構築するという課題に対処する。 KITT: Kernel Identification through Transformersを提案する。
  論文  参考訳（メタデータ） (2021-06-15T14:32:38Z)
• Flow-based Kernel Prior with Application to Blind Super-Resolution [143.21527713002354]
  カーネル推定は一般にブラインド画像超解像(SR)の鍵となる問題の一つである 本稿では,カーネルモデリングのための正規化フローベースカーネルプリレント(fkp)を提案する。 合成および実世界の画像の実験により、提案したFKPがカーネル推定精度を大幅に向上することを示した。
  論文  参考訳（メタデータ） (2021-03-29T22:37:06Z)
• End-to-end Kernel Learning via Generative Random Fourier Features [31.57596752889935]
  ランダムフーリエ機能(RFF)は、スペクトルケースでのカーネル学習に有望な方法を提供する。 本稿では,カーネル学習と線形学習を統一フレームワークに組み込む一段階プロセスについて考察する。
  論文  参考訳（メタデータ） (2020-09-10T00:27:39Z)

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。