論文の概要: BluRef: Unsupervised Image Deblurring with Dense-Matching References

• arxiv url: http://arxiv.org/abs/2603.14176v1
• Date: Sun, 15 Mar 2026 01:31:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-17 16:19:35.650795
• Title: BluRef: Unsupervised Image Deblurring with Dense-Matching References
• Title（参考訳）: BluRef:Dense-Matching参照による教師なしイメージの劣化
• Authors: Bang-Dang Pham, Anh Tran, Cuong Pham, Minh Hoai,
• Abstract要約: 本稿では,画像の劣化に対する教師なしの新たなアプローチを提案する。 類似シーンのぼやけた鮮明な画像を使って、擬似的な地上真実データを生成する。 トレーニングデータ収集プロセスの単純さのため,既存のペアトレーニングデータや事前トレーニングネットワークに依存しない。
• 参考スコア（独自算出の注目度）: 26.3346017592721
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper introduces a novel unsupervised approach for image deblurring that utilizes a simple process for training data collection, thereby enhancing the applicability and effectiveness of deblurring methods. Our technique does not require meticulously paired data of blurred and corresponding sharp images; instead, it uses unpaired blurred and sharp images of similar scenes to generate pseudo-ground truth data by leveraging a dense matching model to identify correspondences between a blurry image and reference sharp images. Thanks to the simplicity of the training data collection process, our approach does not rely on existing paired training data or pre-trained networks, making it more adaptable to various scenarios and suitable for networks of different sizes, including those designed for low-resource devices. We demonstrate that this novel approach achieves state-of-the-art performance, marking a significant advancement in the field of image deblurring.
• Abstract（参考訳）: 本稿では, 簡易なデータ収集プロセスを利用して, 画像復号化手法の適用性と有効性を向上する, 画像復号化のための新しい教師なし手法を提案する。 本手法では,ぼやけた画像とそれに対応するシャープ画像とを巧妙にペアリングする必要はないが,その代わりに,ぼやけた画像と参照したシャープ画像との対応関係を識別するために,濃密なマッチングモデルを活用することで,類似シーンのぼやけた画像とシャープ画像を用いて擬似地上真実データを生成する。 トレーニングデータ収集プロセスの単純さのため、既存のペアトレーニングデータや事前トレーニングネットワークに依存しないため、さまざまなシナリオに適応し、低リソースデバイス用に設計されたものなど、さまざまなサイズのネットワークに適している。 我々は,この手法が最先端の性能を実現し,画像劣化の分野において顕著な進歩を図っていることを実証した。

関連論文リスト

• Leveraging Contrastive Learning for a Similarity-Guided Tampered Document Data Generation Pipeline [6.066442015301665]
  高品質な文書画像を生成するための新しい手法を提案する。 まず、テキスト作物の比較のための補助的ネットワークをトレーニングし、対照的な学習と、正のペアと対応する負のペアを定義するための新しい戦略を活用する。 慎重に設計した生成パイプラインを用いて、多種多様な高品質な文書画像を生成することができるフレームワークを導入する。
  論文  参考訳（メタデータ） (2026-02-19T12:39:38Z)
• Scaling Up Single Image Dehazing Algorithm by Cross-Data Vision Alignment for Richer Representation Learning and Beyond [47.425906124301775]
  本稿では,よりリッチな表現学習のためのクロスデータビジョンアライメント手法を提案する。 データの外部アライメントを使用することで、データセットは、しっかりと整列された異なるドメインからのサンプルを継承する。 提案手法は, 実際のヘイズフリー画像に最も近いデハズド画像のデハズ化やデハズド画像の生成において, 他の先進的手法よりも著しく優れている。
  論文  参考訳（メタデータ） (2024-07-20T10:00:20Z)
• Data Attribution for Text-to-Image Models by Unlearning Synthesized Images [71.23012718682634]
  テキスト・ツー・イメージ・モデルにおけるデータ帰属の目標は、新しい画像の生成に最も影響を与えるトレーニング画像を特定することである。 合成画像の非学習をシミュレートして効率的なデータ帰属法を提案する。 次に,学習過程の終了後に有意な損失偏差を伴う訓練画像を特定し,これらを影響力のあるものとしてラベル付けする。
  論文  参考訳（メタデータ） (2024-06-13T17:59:44Z)
• Active Generation for Image Classification [45.93535669217115]
  本稿では,モデルのニーズと特徴に着目し,画像生成の効率性に対処することを提案する。 能動学習の中心的傾向として,ActGenという手法が,画像生成のトレーニング・アウェア・アプローチを取り入れている。
  論文  参考訳（メタデータ） (2024-03-11T08:45:31Z)
• Region-level Active Learning for Cluttered Scenes [60.93811392293329]
  本稿では,従来の画像レベルのアプローチとオブジェクトレベルのアプローチを一般化した領域レベルのアプローチに仮定する新たな戦略を提案する。 その結果,本手法はラベル付けの労力を大幅に削減し,クラス不均衡や散らかったシーンを生かしたリアルなデータに対する希少なオブジェクト検索を改善することが示唆された。
  論文  参考訳（メタデータ） (2021-08-20T14:02:38Z)
• A low-rank representation for unsupervised registration of medical images [10.499611180329804]
  本稿では,低ランク表現,すなわちRegnet-LRRに基づく新しい手法を提案する。 低ランク表現は、モデルの能力と堅牢性を高め、ノイズの多いデータ登録シナリオにおいて大幅な改善をもたらすことを示す。
  論文  参考訳（メタデータ） (2021-05-20T07:04:10Z)
• Towards Unsupervised Sketch-based Image Retrieval [126.77787336692802]
  本稿では,教師なし表現学習とスケッチ写真領域アライメントを同時に行う新しいフレームワークを提案する。 このフレームワークは,新しい教師なし設定では優れた性能を達成し,ゼロショット設定では最先端以上の性能を発揮する。
  論文  参考訳（メタデータ） (2021-05-18T02:38:22Z)
• RTIC: Residual Learning for Text and Image Composition using Graph Convolutional Network [19.017377597937617]
  画像検索のための画像とテキストの構成学習について検討する。 本稿では,グラフ畳み込みネットワーク(gcn)と既存の合成手法を組み合わせた新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-04-07T09:41:52Z)
• Data-driven Meta-set Based Fine-Grained Visual Classification [61.083706396575295]
  本稿では, ノイズの多いWeb画像に対して, 微粒化認識のためのデータ駆動型メタセットベースアプローチを提案する。 具体的には、少量のクリーンなメタセットでガイドされ、メタラーニング方式で選択ネットを訓練し、分布内および分布外ノイズ画像の識別を行う。
  論文  参考訳（メタデータ） (2020-08-06T03:04:16Z)
• Distilling Localization for Self-Supervised Representation Learning [82.79808902674282]
  コントラスト学習は教師なし表現学習に革命をもたらした。 現在のコントラストモデルでは、前景オブジェクトのローカライズには効果がない。 本稿では,背景変化を学習するためのデータ駆動型手法を提案する。
  論文  参考訳（メタデータ） (2020-04-14T16:29:42Z)

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。