論文の概要: DeblurSDI: Blind Image Deblurring Using Self-diffusion

• arxiv url: http://arxiv.org/abs/2510.27439v1
• Date: Fri, 31 Oct 2025 12:44:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-03 17:52:16.101905
• Title: DeblurSDI: Blind Image Deblurring Using Self-diffusion
• Title（参考訳）: DeblurSDI:自己拡散によるブラインド画像の劣化
• Authors: Yanlong Yang, Guanxiong Luo,
• Abstract要約: ブラインド画像のデコンボリューションは、遅延したシャープ画像とぼやけたカーネルの両方が不明な逆問題である。 本研究では,事前トレーニングを必要としない自己拡散(ブルー)に基づくゼロショット・自己教師型フレームワークを提案する。 Deblurは、高度に劣化したシナリオであっても、シャープなイメージと正確なカーネルを回復し、優れたパフォーマンスを継続的に達成します。
• 参考スコア（独自算出の注目度）: 2.936331223824117
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Blind image deconvolution is a challenging ill-posed inverse problem, where both the latent sharp image and the blur kernel are unknown. Traditional methods often rely on handcrafted priors, while modern deep learning approaches typically require extensive pre-training on large external datasets, limiting their adaptability to real-world scenarios. In this work, we propose DeblurSDI, a zero-shot, self-supervised framework based on self-diffusion (SDI) that requires no prior training. DeblurSDI formulates blind deconvolution as an iterative reverse self-diffusion process that starts from pure noise and progressively refines the solution. At each step, two randomly-initialized neural networks are optimized continuously to refine the sharp image and the blur kernel. The optimization is guided by an objective function combining data consistency with a sparsity-promoting L1-norm for the kernel. A key innovation is our noise scheduling mechanism, which stabilizes the optimization and provides remarkable robustness to variations in blur kernel size. These allow DeblurSDI to dynamically learn an instance-specific prior tailored to the input image. Extensive experiments demonstrate that DeblurSDI consistently achieves superior performance, recovering sharp images and accurate kernels even in highly degraded scenarios.
• Abstract（参考訳）: ブラインド画像デコンボリューション(Blind image deconvolution)は、遅延したシャープ画像とぼやけたカーネルの両方が未知の、不適切な逆問題である。 従来の手法は手作りの先行手法に依存することが多いが、現代のディープラーニングアプローチでは、大規模な外部データセットに対して広範な事前トレーニングが必要であり、現実のシナリオへの適応性を制限する。 本研究では,事前トレーニングを必要としない自己拡散(SDI)に基づくゼロショット・自己教師型フレームワークであるDeblurSDIを提案する。 DeblurSDIは、純粋なノイズから始まる反復的な逆自己拡散プロセスとしてブラインドデコンボリューションを定式化し、解を徐々に洗練する。 各ステップで、2つのランダム初期化ニューラルネットワークが連続的に最適化され、シャープな画像とぼやけたカーネルが洗練される。 この最適化は、データ一貫性とカーネルのスパーシティプロモーティングL1-ノルムを組み合わせた客観的関数によって導かれる。 重要な革新はノイズスケジューリング機構であり、最適化を安定化し、ぼやけたカーネルサイズの変化に対して顕著な堅牢性を提供する。 これにより、DeblurSDIは入力画像に合わせたインスタンス固有の事前学習を動的に行うことができる。 DeblurSDIは、高度に劣化したシナリオであっても、シャープなイメージと正確なカーネルを回復し、一貫して優れたパフォーマンスを実現する。

関連論文リスト

• 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)
• NSD-DIL: Null-Shot Deblurring Using Deep Identity Learning [0.02932486408310998]
  本稿では,線形システムの特性に基づいた専用正規化項を含む新しい学習戦略であるDeep Identity Learning (DIL)を紹介する。 画像データに依存しないため、我々はDeep Identity Learning (NSD-DIL)を用いてNull-Shot deblurringと呼ぶ。 実験の結果,提案手法は従来の学習法と深層学習法の両方に優れていた。
  論文  参考訳（メタデータ） (2024-07-05T18:56:31Z)
• 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)
• DiffBIR: Towards Blind Image Restoration with Generative Diffusion Prior [70.46245698746874]
  DiffBIRは、視覚の異なる画像復元タスクを処理できる一般的な修復パイプラインである。 DiffBIRは, ブラインド画像復元問題を, 1) 劣化除去: 画像に依存しない内容の除去; 2) 情報再生: 失われた画像内容の生成の2段階に分離する。 第1段階では, 修復モジュールを用いて劣化を除去し, 高忠実度復元結果を得る。 第2段階では、潜伏拡散モデルの生成能力を活用して現実的な詳細を生成するIRControlNetを提案する。
  論文  参考訳（メタデータ） (2023-08-29T07:11:52Z)
• 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)
• 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)
• Deep Variational Network Toward Blind Image Restoration [60.45350399661175]
  ブラインド画像復元はコンピュータビジョンでは一般的だが難しい問題である。 両利点を両立させることを目的として,新しいブラインド画像復元手法を提案する。 画像デノイングと超解像という2つの典型的なブラインド赤外線タスクの実験により,提案手法が現状よりも優れた性能を達成できることが実証された。
  論文  参考訳（メタデータ） (2020-08-25T03:30:53Z)

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。