論文の概要: Defocus Aberration Theory Confirms Gaussian Model in Most Imaging Devices

• arxiv url: http://arxiv.org/abs/2601.04779v1
• Date: Thu, 08 Jan 2026 10:03:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-09 17:01:53.147637
• Title: Defocus Aberration Theory Confirms Gaussian Model in Most Imaging Devices
• Title（参考訳）: デフォーカス収差理論は、ほとんどの撮像素子におけるガウスモデルを証明する
• Authors: Akbar Saadat,
• Abstract要約: 本稿では,従来の撮像装置において,デフォーカス演算子がガウスモデルに従属することを確実にするための設定について紹介する。 その結果、平均絶対誤差が最大$(M!A!E)$が1%以下であることを示し、モデルの正確性と信頼性を裏付ける。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Over the past three decades, defocus has consistently provided groundbreaking depth information in scene images. However, accurately estimating depth from 2D images continues to be a persistent and fundamental challenge in the field of 3D recovery. Heuristic approaches involve with the ill-posed problem for inferring the spatial variant defocusing blur, as the desired blur cannot be distinguished from the inherent blur. Given a prior knowledge of the defocus model, the problem become well-posed with an analytic solution for the relative blur between two images, taken at the same viewpoint with different camera settings for the focus. The Gaussian model stands out as an optimal choice for real-time applications, due to its mathematical simplicity and computational efficiency. And theoretically, it is the only model can be applied at the same time to both the absolute blur caused by depth in a single image and the relative blur resulting from depth differences between two images. This paper introduces the settings, for conventional imaging devices, to ensure that the defocusing operator adheres to the Gaussian model. Defocus analysis begins within the framework of geometric optics and is conducted by defocus aberration theory in diffraction-limited optics to obtain the accuracy of fitting the actual model to its Gaussian approximation. The results for a typical set of focused depths between $1$ and $100$ meters, with a maximum depth variation of $10\%$ at the focused depth, confirm the Gaussian model's applicability for defocus operators in most imaging devices. The findings demonstrate a maximum Mean Absolute Error $(\!M\!A\!E)$ of less than $1\%$, underscoring the model's accuracy and reliability.
• Abstract（参考訳）: 過去30年間、デフォーカスはシーンイメージに画期的な深度情報を提供してきた。 しかし、2D画像からの深度を正確に推定することは、3Dリカバリの分野における永続的で基本的な課題であり続けている。 ヒューリスティックなアプローチは、望まれるぼやけが固有のぼやけと区別できないため、空間的変動がぼやけを排除していると推測する不適切な問題に関係している。 デフォーカスモデルに関する事前の知識から、2つの画像間の相対的ぼやけを解析的に解き、焦点の異なるカメラ設定で同じ視点で捉えた。 ガウスモデルは、数学的な単純さと計算効率のために、リアルタイムアプリケーションにとって最適な選択として際立っている。 理論的には、単一の画像の深さによる絶対的ぼかしと、2つの画像間の深さ差による相対的ぼかしとを同時に適用できる唯一のモデルである。 本稿では,従来の撮像装置において,デフォーカス演算子がガウスモデルに従属することを確実にするための設定について紹介する。 デフォーカス解析は幾何学光学の枠組みの中で始まり、回折制限光学におけるデフォーカス収差理論により、実際のモデルをガウス近似に適合させる精度を得る。 焦点深度が1ドルから100ドルの間での典型的な集中深度に対する結果は、焦点深度における最大深度変動が10\%であるので、ほとんどの撮像装置におけるデフォーカス演算子に対するガウスモデルの適用性を確認することができる。 その結果,平均絶対誤差$(\! M! A! E)$1\%以下で、モデルの正確さと信頼性を裏付ける。

関連論文リスト

• Depth Estimation Based on 3D Gaussian Splatting Siamese Defocus [14.354405484663285]
  本稿では,3次元幾何学における深さ推定のための3次元ガウススプラッティングとシームズネットワークに基づく自己教師型フレームワークを提案する。 提案したフレームワークは、人工的に合成されたデータセットと実際のぼやけたデータセットの両方で検証されている。
  論文  参考訳（メタデータ） (2024-09-18T21:36:37Z)
• Blur aware metric depth estimation with multi-focus plenoptic cameras [8.508198765617196]
  多焦点レンズカメラからの原画像のみを用いた新しい距離深度推定アルゴリズムを提案する。 提案手法は、焦点距離の異なる複数のマイクロレンズを用いるマルチフォーカス構成に特に適している。
  論文  参考訳（メタデータ） (2023-08-08T13:38:50Z)
• Single Image Depth Prediction Made Better: A Multivariate Gaussian Take [163.14849753700682]
  本稿では,画素ごとの深度を連続的にモデル化する手法を提案する。 提案手法の精度(MG)は,KITTI深度予測ベンチマークリーダーボードの上位に位置する。
  論文  参考訳（メタデータ） (2023-03-31T16:01:03Z)
• Fully Self-Supervised Depth Estimation from Defocus Clue [79.63579768496159]
  スパース焦点スタックから深度を純粋に推定する自己教師型フレームワークを提案する。 筆者らのフレームワークは,深度とAIF画像の接地構造の必要性を回避し,より優れた予測を得られることを示す。
  論文  参考訳（メタデータ） (2023-03-19T19:59:48Z)
• End-to-end Learning for Joint Depth and Image Reconstruction from Diffracted Rotation [10.896567381206715]
  回折回転から深度を学習する新しいエンド・ツー・エンド学習手法を提案する。 提案手法は, 単分子深度推定のタスクにおいて既存の手法よりもはるかに少ない複雑なモデルと少ないトレーニングデータを必要とする。
  論文  参考訳（メタデータ） (2022-04-14T16:14:37Z)
• Single image deep defocus estimation and its applications [82.93345261434943]
  画像パッチを20レベルの曖昧さの1つに分類するために、ディープニューラルネットワークをトレーニングします。 トレーニングされたモデルは、反復重み付きガイドフィルタを適用して改善するパッチのぼかしを決定するために使用される。 その結果、デフォーカスマップは各ピクセルのぼやけた度合いの情報を運ぶ。
  論文  参考訳（メタデータ） (2021-07-30T06:18:16Z)
• A learning-based view extrapolation method for axial super-resolution [52.748944517480155]
  軸光界分解能は、再焦点によって異なる深さで特徴を区別する能力を指します。 せん断エピポーラ平面画像の軸体積から新しい視点を推定する学習に基づく手法を提案する。
  論文  参考訳（メタデータ） (2021-03-11T07:22:13Z)

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。