論文の概要: Physics-consistent deep learning for blind aberration recovery in mobile optics
- arxiv url: http://arxiv.org/abs/2603.04999v1
- Date: Thu, 05 Mar 2026 09:44:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-06 22:06:11.172302
- Title: Physics-consistent deep learning for blind aberration recovery in mobile optics
- Title（参考訳）: 移動光学系におけるブラインド収差回復のための物理一貫性深層学習
- Authors: Kartik Jhawar, Tamo Sancho Miguel Tandoc, Khoo Jun Xuan, Wang Lipo,
- Abstract要約: 本稿では,1つのぼやけた画像から物理光学パラメータを盲目的に復元するディープラーニングフレームワークであるLens2Zernikeを紹介する。
完全マルチタスクフレームワーク(z+p+m)は係数のみのベースラインよりも35%向上することを示す。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Mobile photography is often limited by complex, lens-specific optical aberrations. While recent deep learning methods approach this as an end-to-end deblurring task, these "black-box" models lack explicit optical modeling and can hallucinate details. Conversely, classical blind deconvolution remains highly unstable. To bridge this gap, we present Lens2Zernike, a deep learning framework that blindly recovers physical optical parameters from a single blurred image. To the best of our knowledge, no prior work has simultaneously integrated supervision across three distinct optical domains. We introduce a novel physics-consistent strategy that explicitly minimizes errors via direct Zernike coefficient regression (z), differentiable physics constraints encompassing both wavefront and point spread function derivations (p), and auxiliary multi-task spatial map predictions (m). Through an ablation study on a ResNet-18 backbone, we demonstrate that our full multi-task framework (z+p+m) yields a 35% improvement over coefficient-only baselines. Crucially, comparative analysis reveals that our approach outperforms two established deep learning methods from previous literature, achieving significantly lower regression errors. Ultimately, we demonstrate that these recovered physical parameters enable stable non-blind deconvolution, providing substantial in-domain improvement on the patented Institute for Digital Molecular Analytics and Science (IDMxS) Mobile Camera Lens Database for restoring diffraction-limited details from severely aberrated mobile captures.
- Abstract（参考訳）: モバイル写真はしばしば複雑なレンズ固有の光学収差によって制限される。
近年のディープラーニング手法は、これをエンドツーエンドの難読化タスクとしてアプローチしているが、これらの「ブラックボックス」モデルは、明示的な光学的モデリングを欠き、詳細を幻覚させる可能性がある。
逆に、古典的なブラインド・デコンボリューションは非常に不安定である。
このギャップを埋めるために、単一のぼやけた画像から物理的光学パラメータを盲目的に復元するディープラーニングフレームワークであるLens2Zernikeを紹介する。
我々の知る限りでは、3つの異なる光学領域を同時に統合した先行研究は存在しない。
本稿では,Zernike係数の直接回帰(z)による誤差を明示的に最小化する新しい物理一貫性戦略,波面と点拡散関数の導出(p)を含む微分可能な物理制約,および補助マルチタスク空間マップ予測(m)を紹介する。
ResNet-18のバックボーンに関するアブレーション研究を通じて、我々の完全なマルチタスクフレームワーク(z+p+m)が係数のみのベースラインよりも35%改善することを示した。
比較分析の結果,従来の文献から得られた2つの深層学習手法よりも精度が優れ,回帰誤差が著しく低いことが明らかとなった。
最終的に、これらの回収された物理パラメータが安定した非盲点分解を可能にし、高度に収差のあるモバイルキャプチャーから回折制限された詳細を復元するための特許取得されたデジタル分子分析科学研究所(IDMxS)モバイルカメラレンズデータベースに相当なドメイン改良をもたらすことを実証した。
関連論文リスト
- Learning to Remove Lens Flare in Event Camera [56.9171469873838]
イベントカメラデータからレンズフレアを除去する最初のフレームワークであるE-DeflareDeflareを提案する。
まず、非線形抑制機構の物理基底フォワードモデルを導出した理論基盤を確立する。
このベンチマークを利用して、最先端の復元性能を実現するE-DeflareNetを設計する。
論文 参考訳（メタデータ） (2025-12-09T18:59:57Z) - Physics-Informed Graph Neural Network with Frequency-Aware Learning for Optical Aberration Correction [36.496034762040054]
光収差は顕微鏡の画質を著しく低下させ、特に試料の深部を撮像する場合に顕著に低下する。
本稿では,Zernike予測と光画像復元を共同で行う物理情報処理フレームワークZRNetを提案する。
本手法は, 画像復元とゼルニケ係数予測の両面において, 様々な顕微鏡法および複雑で大振幅の生体試料を用いた最先端性能を実現する。
論文 参考訳（メタデータ） (2025-12-05T12:58:55Z) - OmniLens++: Blind Lens Aberration Correction via Large LensLib Pre-Training and Latent PSF Representation [72.72583225885636]
この研究は、既存のパイプラインの一般化能力を妨げる2つの課題を解決するOmniLens++フレームワークを提案する。
実世界のレンズと合成レンズリブの様々な収差実験により、OmniLens++はブラインド収差補正において最先端の一般化能力を示すことが示された。
論文 参考訳（メタデータ） (2025-11-21T10:41:54Z) - From Pixels to Views: Learning Angular-Aware and Physics-Consistent Representations for Light Field Microscopy [12.900713570104749]
光電場顕微鏡における学習に基づく3次元再構成への3つの重要な貢献を紹介する。
まず,XLFM再構成のための大規模データセットと評価スイートであるXLFM-Zebrafishベンチマークを構築した。
第2に,光場に対するマスケッドビューモデリング(MVN-LF, Masked View Modeling for Light Fields)を提案する。
第3に、予測ボリュームとPSFベースの前方投影とのアライメントを強制する微分可能なレンダリング制約である光レンダリング一貫性損失(ORC Loss)を定式化する。
論文 参考訳（メタデータ） (2025-10-26T08:28:05Z) - Wavefront Coding for Accommodation-Invariant Near-Eye Displays [1.7240671897505615]
立体表示における頂点調節競合問題に対処する新しい計算近目表示法を提案する。
本システムは、屈折レンズアイピースと、新しい波面符号化回折光学素子を統合する。
我々は、ウェーブフロント符号化光学と画像前処理モジュールを協調的に最適化するために、エンドツーエンドの学習を採用する。
論文 参考訳（メタデータ） (2025-10-14T17:52:28Z) - Examining the Impact of Optical Aberrations to Image Classification and Object Detection Models [58.98742597810023]
視覚モデルは、ノイズやぼやけなどの乱れに対して頑丈に振る舞う必要がある。
本稿では,OpticsBenchとLensCorruptionsという,ぼやけた汚職の2つのデータセットについて検討する。
ImageNet と MSCOCO における画像分類と物体検出の評価は,様々な事前学習モデルにおいて OpticsBench と LensCorruptions の性能が著しく異なることを示す。
論文 参考訳（メタデータ） (2025-04-25T17:23:47Z) - Nonlocal Retinex-Based Variational Model and its Deep Unfolding Twin for Low-Light Image Enhancement [3.174882428337821]
本稿では,Retinex分解に基づく低照度画像強調のための変分法を提案する。
低照度画像に色補正前処理ステップを適用し、分解時に観察された入力として使用する。
我々は、演算子を学習可能なネットワークに置き換える深層展開モデルを導入することにより、モデルを拡張する。
論文 参考訳（メタデータ） (2025-04-10T14:48:26Z) - PhyRecon: Physically Plausible Neural Scene Reconstruction [81.73129450090684]
PHYRECONは、微分可能なレンダリングと微分可能な物理シミュレーションの両方を利用して暗黙的な表面表現を学習する最初のアプローチである。
この設計の中心は、SDFに基づく暗黙の表現と明示的な表面点の間の効率的な変換である。
また,物理シミュレータの安定性も向上し,全データセットに対して少なくとも40%の改善が得られた。
論文 参考訳（メタデータ） (2024-04-25T15:06:58Z) - Physics-Driven Turbulence Image Restoration with Stochastic Refinement [80.79900297089176]
大気乱流による画像歪みは、長距離光学画像システムにおいて重要な問題である。
ディープラーニングモデルが現実世界の乱流条件に適応するために、高速で物理学的なシミュレーションツールが導入された。
本稿では,物理統合復元ネットワーク(PiRN)を提案する。
論文 参考訳（メタデータ） (2023-07-20T05:49:21Z) - Neural network analysis of neutron and X-ray reflectivity data:
Incorporating prior knowledge for tackling the phase problem [141.5628276096321]
本稿では,事前知識を利用して,より大規模なパラメータ空間上でのトレーニングプロセスを標準化する手法を提案する。
ボックスモデルパラメータ化を用いた多層構造を含む様々なシナリオにおいて,本手法の有効性を示す。
従来の手法とは対照的に,逆問題の複雑性を増大させると,我々の手法は好適にスケールする。
論文 参考訳（メタデータ） (2023-06-28T11:15:53Z) - Neural Invertible Variable-degree Optical Aberrations Correction [6.6855248718044225]
本稿では,その情報ロスレス特性を利用して,可逆的アーキテクチャを用いた新しい収差補正手法を提案する。
アーキテクチャ内では、可変度で収差を処理できる条件付き可逆ブロックを開発する。
本手法は,物理画像シミュレーションによる合成データセットと実捕集データセットの両方を用いて評価する。
論文 参考訳（メタデータ） (2023-04-12T01:56:42Z) - Limited-angle tomographic reconstruction of dense layered objects by
dynamical machine learning [68.9515120904028]
強い散乱準透明物体の有限角トモグラフィーは困難で、非常に不適切な問題である。
このような問題の状況を改善することにより、アーティファクトの削減には、事前の定期化が必要である。
我々は,新しい分割畳み込みゲート再帰ユニット(SC-GRU)をビルディングブロックとして,リカレントニューラルネットワーク(RNN)アーキテクチャを考案した。
論文 参考訳（メタデータ） (2020-07-21T11:48:22Z)
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。