論文の概要: Depth from Defocus via Direct Optimization

• arxiv url: http://arxiv.org/abs/2602.18509v2
• Date: Thu, 26 Feb 2026 05:47:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-27 18:41:22.303677
• Title: Depth from Defocus via Direct Optimization
• Title（参考訳）: 直接最適化によるDefocusからの深さ
• Authors: Holly Jackson, Caleb Adams, Ignacio Lopez-Francos, Benjamin Recht,
• Abstract要約: 現代の最適化手法と妥当な計算資源により,デフォーカスから奥行きへのグローバルアプローチが実現可能であることを示す。 コンベックス最適化と並列グリッド探索を交互に組み合わせることで,現在の深層学習法よりも高分解能でデフォーカス問題の解法を効果的に行うことができることを示す。
• 参考スコア（独自算出の注目度）: 4.661494043076582
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Though there exists a reasonable forward model for blur based on optical physics, recovering depth from a collection of defocused images remains a computationally challenging optimization problem. In this paper, we show that with contemporary optimization methods and reasonable computing resources, a global optimization approach to depth from defocus is feasible. Our approach rests on alternating minimization. When holding the depth map fixed, the forward model is linear with respect to the all-in-focus image. When holding the all-in-focus image fixed, the depth at each pixel can be computed independently, enabling embarrassingly parallel computation. We show that alternating between convex optimization and parallel grid search can effectively solve the depth-from-defocus problem at higher resolutions than current deep learning methods. We demonstrate our approach on benchmark datasets with synthetic and real defocus blur and show promising results compared to prior approaches. Our code is available at github.com/hollyjackson/dfd.
• Abstract（参考訳）: 光学物理学に基づくボケモデルには合理的な前方モデルが存在するが、非焦点画像の集合から深度を復元することは、計算的に困難な最適化問題である。 本稿では,現代の最適化手法と妥当な計算資源により,デフォーカスから奥行きへのグローバルな最適化が実現可能であることを示す。 私たちのアプローチは、最小化の交互化に依存します。 奥行きマップを固定すると、前方モデルは全焦点画像に対して線形となる。 オールインフォーカス画像を固定する場合、各画素の深さを独立に計算することができ、恥ずかしい並列計算を可能にする。 コンベックス最適化と並列グリッド探索を交互に組み合わせることで,現在の深層学習法よりも高分解能でデフォーカス問題の解法を効果的に行うことができることを示す。 提案手法は, 合成および実デフォーカスのぼかしを有するベンチマークデータセットに適用し, 従来の手法と比較して有望な結果を示す。 私たちのコードはgithub.com/hollyjackson/dfdで利用可能です。

関連論文リスト

• Depth-Supervised Fusion Network for Seamless-Free Image Stitching [17.758594808190264]
  画像縫合は、複数の視点から撮影された画像をより広い視野で単一の画像に合成する。 物体の深さの顕著な変化は、しばしば大きな視差を生じさせ、結果として、縫合された結果にゴーストや不一致をもたらす。 そこで本研究では,深度に制約のあるシームレスな画像縫合法を提案する。
  論文  参考訳（メタデータ） (2025-10-24T12:36:08Z)
• Pixel-Aligned Multi-View Generation with Depth Guided Decoder [86.1813201212539]
  画素レベルの画像・マルチビュー生成のための新しい手法を提案する。 従来の作業とは異なり、潜伏映像拡散モデルのVAEデコーダにマルチビュー画像にアテンション層を組み込む。 本モデルにより,マルチビュー画像間の画素アライメントが向上する。
  論文  参考訳（メタデータ） (2024-08-26T04:56:41Z)
• Towards Real-World Focus Stacking with Deep Learning [97.34754533628322]
  焦点ブラケットを用いた94個の高解像度原画像のバーストからなる新しいデータセットを提案する。 このデータセットは、現実世界のアプリケーションに十分な長さのバーストを処理できるフォーカススタックのための最初のディープラーニングアルゴリズムをトレーニングするために使用される。
  論文  参考訳（メタデータ） (2023-11-29T17:49:33Z)
• 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)
• 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)
• Efficient and Differentiable Shadow Computation for Inverse Problems [64.70468076488419]
  微分可能幾何計算は画像に基づく逆問題に対する関心が高まっている。 微分可能な可視性とソフトシャドウ計算のための効率的かつ効率的なアプローチを提案する。 定式化は微分可能であるため, テクスチャ, 照明, 剛体ポーズ, 画像からの変形回復などの逆問題を解くために使用できる。
  論文  参考訳（メタデータ） (2021-04-01T09:29:05Z)
• Real-Time, Deep Synthetic Aperture Sonar (SAS) Autofocus [34.77467193499518]
  合成開口ソナー(sas)は、送信/受信波形の正確な飛行時間計測を必要とする。 これを解決するために、画像再構成後の後処理ステップとして、Emphautofocusアルゴリズムを用いて、画像フォーカスを改善する。 これらの限界を克服し、データ駆動方式で重み付け関数を暗黙的に学習するための深層学習手法を提案する。
  論文  参考訳（メタデータ） (2021-03-18T15:16:29Z)
• Towards Reducing Severe Defocus Spread Effects for Multi-Focus Image Fusion via an Optimization Based Strategy [22.29205225281694]
  マルチフォーカス画像融合(MFF)はオールインフォーカス画像を生成する一般的な技術である。 本稿では,デフォーカス拡散効果を低減するための最適化手法を提案する。 実世界データセット上で行った実験は,提案モデルの優位性を検証した。
  論文  参考訳（メタデータ） (2020-12-29T09:26:41Z)
• Deep Autofocus for Synthetic Aperture Sonar [28.306713374371814]
  本稿では,機械学習,特にディープラーニングがオートフォーカス問題に対処する可能性を示す。 我々は、Deep Autofocusと呼ばれるディープネットワークを用いて、自己教師型位相誤差推定タスクとして問題を定式化する。 以上の結果から,Deep Autofocusは,ベンチマーク反復手法に劣らず,計算コストが大幅に低い画像を生成することができることを示した。
  論文  参考訳（メタデータ） (2020-10-29T15:31:15Z)
• AcED: Accurate and Edge-consistent Monocular Depth Estimation [0.0]
  単一画像深度推定は難しい問題である。 完全に微分可能な順序回帰を定式化し、エンドツーエンドでネットワークを訓練する。 深度補正のための画素ごとの信頼度マップ計算も提案した。
  論文  参考訳（メタデータ） (2020-06-16T15:21:00Z)

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。