論文の概要: Towards Universal Computational Aberration Correction in Photographic Cameras: A Comprehensive Benchmark Analysis

• arxiv url: http://arxiv.org/abs/2603.12083v1
• Date: Thu, 12 Mar 2026 15:53:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-13 14:46:26.19438
• Title: Towards Universal Computational Aberration Correction in Photographic Cameras: A Comprehensive Benchmark Analysis
• Title（参考訳）: 写真カメラにおける普遍的計算収差補正に向けて:総合的ベンチマーク分析
• Authors: Xiaolong Qian, Qi Jiang, Yao Gao, Lei Sun, Zhonghua Yi, Kailun Yang, Luc Van Gool, Kaiwei Wang,
• Abstract要約: 画像復元とCACアルゴリズムを用いた実験と評価を行った。 我々は,CACタスクの難易度を客観的に評価するための新しいフレームワークとして,光劣化評価器(ODE)を導入した。 私たちは、CACのパフォーマンスに最も大きな影響を及ぼす3つの重要な要因(事前利用、ネットワークアーキテクチャ、トレーニング戦略)を特定します。
• 参考スコア（独自算出の注目度）: 51.32617943821609
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Prevalent Computational Aberration Correction (CAC) methods are typically tailored to specific optical systems, leading to poor generalization and labor-intensive re-training for new lenses. Developing CAC paradigms capable of generalizing across diverse photographic lenses offers a promising solution to these challenges. However, efforts to achieve such cross-lens universality within consumer photography are still in their early stages due to the lack of a comprehensive benchmark that encompasses a sufficiently wide range of optical aberrations. Furthermore, it remains unclear which specific factors influence existing CAC methods and how these factors affect their performance. In this paper, we present comprehensive experiments and evaluations involving 24 image restoration and CAC algorithms, utilizing our newly proposed UniCAC, a large-scale benchmark for photographic cameras constructed via automatic optical design. The Optical Degradation Evaluator (ODE) is introduced as a novel framework to objectively assess the difficulty of CAC tasks, offering credible quantification of optical aberrations and enabling reliable evaluation. Drawing on our comparative analysis, we identify three key factors -- prior utilization, network architecture, and training strategy -- that most significantly influence CAC performance, and further investigate their respective effects. We believe that our benchmark, dataset, and observations contribute foundational insights to related areas and lay the groundwork for future investigations. Benchmarks, codes, and Zemax files will be available at https://github.com/XiaolongQian/UniCAC.
• Abstract（参考訳）: 一般的な計算収差補正法(CAC)は、一般的に特定の光学系に適合し、新しいレンズの一般化や労働集約的な再訓練に繋がる。 多様な写真レンズをまたいだ一般化が可能なCACパラダイムの開発は、これらの課題に対する有望な解決策となる。 しかしながら、消費者写真におけるこのようなクロスレンズの普遍性を達成するための努力は、十分に広範囲の光学収差を含む包括的なベンチマークが欠如しているため、まだ初期段階にある。 さらに,どの要因が既存のCAC手法に影響を及ぼすのか,それらの要因がパフォーマンスにどのような影響を与えるのかは明らかになっていない。 本稿では,自動光学設計による写真カメラの大規模ベンチマークであるUniCACを用いて,24個の画像復元アルゴリズムとCACアルゴリズムを用いた総合的な実験と評価を行う。 光劣化評価器(ODE)は、CACタスクの難易度を客観的に評価し、光学収差の信頼性を定量化し、信頼性の高い評価を可能にする新しいフレームワークとして導入された。 比較分析に基づいて、CACのパフォーマンスに最も大きな影響を及ぼす3つの重要な要因(事前利用、ネットワークアーキテクチャ、トレーニング戦略)を特定し、それぞれの効果をさらに調査する。 我々は、我々のベンチマーク、データセット、観察が関連する分野の基礎的な洞察に寄与し、今後の調査の基盤となると信じている。 ベンチマーク、コード、Zemaxファイルはhttps://github.com/XiaolongQian/UniCACで入手できる。

関連論文リスト

• Implicit Neural Representation-Based Continuous Single Image Super Resolution: An Empirical Study [50.15623093332659]
  入射神経表現(INR)は任意のスケール画像超解像(ASSR)の標準的アプローチとなっている 既存の手法を多様な設定で比較し、複数の画像品質指標に対して集計結果を示す。 トレーニング中, エッジ, テクスチャ, 細部を保存しながら, 強度変化をペナライズする新たな損失関数について検討した。
  論文  参考訳（メタデータ） (2026-01-25T07:09:20Z)
• Rethinking Evaluation of Infrared Small Target Detection [105.59753496831739]
  本稿では,画素レベルと目標レベルのパフォーマンスを取り入れたハイブリッドレベルのメトリクスを導入し,システム的エラー解析手法を提案し,クロスデータセット評価の重要性を強調した。 標準化されたベンチマークを容易にするオープンソースツールキットがリリースされた。
  論文  参考訳（メタデータ） (2025-09-21T02:45:07Z)
• A Survey on All-in-One Image Restoration: Taxonomy, Evaluation and Future Trends [67.43992456058541]
  画像復元(IR)は、ノイズ、ぼかし、圧縮、悪天候など幅広い要因によって生じる劣化した観察から高品質な画像の復元を目指している。 従来のIR法は、個々の劣化タイプを対象とすることで顕著な進歩を遂げてきたが、それらの特殊化は、しばしば一般化のコストがかかる。 オールインワンのイメージ復元パラダイムが最近登場し、複数の劣化タイプに順応的に対処する統一されたフレームワークを提供している。
  論文  参考訳（メタデータ） (2024-10-19T11:11:09Z)
• OmniLens: Towards Universal Lens Aberration Correction via LensLib-to-Specific Domain Adaptation [28.785118157930167]
  オムニレンス(OmniLens)は、(i)堅牢なベースモデルを事前訓練するための包括的カバレッジを持つ説得力のあるLensLibを確立し、(ii)高速なLensLib-to-specificドメイン適応を介して、未知のレンズ記述を持つ特定のレンズ設計にモデルを適応させる。 EAODによって生成されたLensLibは、強力な一般化能力を持つ普遍的なCACモデルを効果的に開発し、PSNRにおいて0.35-1.81dBの非盲点レンズ固有法を改善できることを示した。
  論文  参考訳（メタデータ） (2024-09-09T17:12:42Z)
• A Recipe for CAC: Mosaic-based Generalized Loss for Improved Class-Agnostic Counting [27.439965991083177]
  クラスカウント(Class counting, CAC)は、クエリ画像中の任意の参照オブジェクトの総発生数をカウントするために使用できる視覚計算タスクである。 マルチクラスの設定を考えると、モデルは参照イメージを考慮せず、クエリイメージ内のすべての支配的なオブジェクトを盲目的にマッチさせます。 既存のCAC評価手法の背景にある問題を解決するための新しい評価プロトコルとメトリクスを導入する。
  論文  参考訳（メタデータ） (2024-04-15T14:23:39Z)
• Computational Imaging for Machine Perception: Transferring Semantic Segmentation beyond Aberrations [19.795613034423774]
  我々はミニマリスト光学系(MOS)を用いたSSOAによるセマンティックの研究の先駆者である。 我々は,仮想プロトタイプレンズ群(VPL)を光学シミュレーションにより構築し,異なる振る舞いと収差レベルの下でCityscapes-abおよびKITTI-360-abデータセットを生成する。 本稿では,コンピュータイメージングの先行知識を活用するために,CIADA(Computational Imaging Assisted Domain Adaptation)を提案する。
  論文  参考訳（メタデータ） (2022-11-21T08:47:05Z)

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。