論文の概要: Frequency-Driven Inverse Kernel Prediction for Single Image Defocus Deblurring

• arxiv url: http://arxiv.org/abs/2508.12736v1
• Date: Mon, 18 Aug 2025 09:01:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-19 14:49:11.092475
• Title: Frequency-Driven Inverse Kernel Prediction for Single Image Defocus Deblurring
• Title（参考訳）: 単一画像デフォーカス劣化に対する周波数駆動逆カーネル予測
• Authors: Ying Zhang, Xiongxin Tang, Chongyi Li, Qiao Chen, Yuquan Wu,
• Abstract要約: 単一画像デフォーカスデブルリングは、デフォーカス相手からオールインフォーカスイメージを復元することを目的としている。 既存のほとんどの手法は、カーネル推定のための空間的特徴に依存しているが、その性能はひどくぼやけた領域で低下する。 本稿では、周波数領域表現を組み込んだ周波数駆動逆カーネル予測ネットワーク(FDIKP)を提案する。
• 参考スコア（独自算出の注目度）: 25.716315158370747
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Single image defocus deblurring aims to recover an all-in-focus image from a defocus counterpart, where accurately modeling spatially varying blur kernels remains a key challenge. Most existing methods rely on spatial features for kernel estimation, but their performance degrades in severely blurry regions where local high-frequency details are missing. To address this, we propose a Frequency-Driven Inverse Kernel Prediction network (FDIKP) that incorporates frequency-domain representations to enhance structural identifiability in kernel modeling. Given the superior discriminative capability of the frequency domain for blur modeling, we design a Dual-Branch Inverse Kernel Prediction (DIKP) strategy that improves the accuracy of kernel estimation while maintaining stability. Moreover, considering the limited number of predicted inverse kernels, we introduce a Position Adaptive Convolution (PAC) to enhance the adaptability of the deconvolution process. Finally, we propose a Dual-Domain Scale Recurrent Module (DSRM) to fuse deconvolution results and progressively improve deblurring quality from coarse to fine. Extensive experiments demonstrate that our method outperforms existing approaches. Code will be made publicly available.
• Abstract（参考訳）: 単一イメージデフォーカスデブロアリングは、空間的に変化するぼやけたカーネルを正確にモデル化するデフォーカスのイメージから、オールインフォーカスイメージを復元することを目的としている。 既存の手法の多くは、カーネル推定のための空間的特徴に依存しているが、その性能は、局所的な高周波の詳細が欠落しているひどくぼやけた領域で低下する。 そこで本研究では、周波数領域表現を組み込んだ周波数駆動逆カーネル予測ネットワーク(FDIKP)を提案する。 ブラーモデリングのための周波数領域の優れた識別能力を考えると、安定性を維持しつつカーネル推定の精度を向上するDual-Branch Inverse Kernel Prediction (DIKP) 戦略を設計する。 さらに,予測逆カーネルの数が限られていることを考慮し,デコンボリューションプロセスの適応性を高めるために位置適応畳み込み(PAC)を導入する。 最後に,Dual-Domain Scale Recurrent Module (DSRM)を提案する。 大規模な実験により,本手法が既存手法より優れていることが示された。 コードは公開されます。

関連論文リスト

• Efficient Dual-domain Image Dehazing with Haze Prior Perception [17.18810808188725]
  トランスフォーマーベースのモデルは、シングルイメージのデハージングにおいて強力なグローバルモデリング能力を示すが、その高い計算コストはリアルタイム適用性を制限する。 そこで我々はDGFDNet(Dark Channel Guided Frequency-aware Dehazing Network)を提案する。 4つのベンチマークハウズデータセットの実験により、DGFDNetは、より優れた堅牢性とリアルタイム効率で最先端のパフォーマンスを達成することを示した。
  論文  参考訳（メタデータ） (2025-07-15T06:56:56Z)
• Kernel Space Diffusion Model for Efficient Remote Sensing Pansharpening [8.756657890124766]
  Kernel Space Diffusion Model (KSDiff)は、グローバルな文脈情報に富んだ畳み込みカーネルを生成するために、潜在空間における拡散プロセスを活用する新しいアプローチである。 WorldView-3、GaoFen-2、QuickBirdを含む広く使われている3つのデータセットの実験では、KSDiffの質的かつ定量的に優れた性能が示されている。
  論文  参考訳（メタデータ） (2025-05-25T06:25:31Z)
• FUSE: Label-Free Image-Event Joint Monocular Depth Estimation via Frequency-Decoupled Alignment and Degradation-Robust Fusion [63.87313550399871]
  画像強調共同深度推定法は、頑健な知覚に相補的なモダリティを利用するが、一般化可能性の課題に直面している。 自己監督型転送(PST)と周波数デカップリング型フュージョンモジュール(FreDF)を提案する。 PSTは、画像基礎モデルと潜在空間アライメントによるクロスモーダルな知識伝達を確立する。 FreDFは、低周波構造成分から高周波エッジ特性を明示的に分離し、モード比周波数ミスマッチを解消する。
  論文  参考訳（メタデータ） (2025-03-25T15:04:53Z)
• 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)
• Deep Constrained Least Squares for Blind Image Super-Resolution [36.71106982590893]
  劣化モデルと2つの新しいモジュールを用いたブラインド画像超解像(SR)問題に取り組む。 より具体的には、まず分解モデルを変えて、劣化するカーネル推定を低分解能空間に転送する。 実験により,提案手法は最先端手法に対する精度の向上と視覚的改善を実現することが示された。
  論文  参考訳（メタデータ） (2022-02-15T15:32:11Z)
• 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)
• 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)
• Scalable Variational Gaussian Processes via Harmonic Kernel Decomposition [54.07797071198249]
  汎用性を維持しつつ高い忠実度近似を提供する,スケーラブルな変分ガウス過程近似を導入する。 様々な回帰問題や分類問題において,本手法は変換やリフレクションなどの入力空間対称性を活用できることを実証する。 提案手法は, 純粋なGPモデルのうち, CIFAR-10 の最先端化を実現する。
  論文  参考訳（メタデータ） (2021-06-10T18:17:57Z)
• 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)

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。