論文の概要: Dynamic Exposure Burst Image Restoration

• arxiv url: http://arxiv.org/abs/2603.21784v1
• Date: Mon, 23 Mar 2026 10:25:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-24 19:11:39.607156
• Title: Dynamic Exposure Burst Image Restoration
• Title（参考訳）: ダイナミック露光バースト画像復元
• Authors: Woohyeok Kim, Jaesung Rim, Daeyeon Kim, Sunghyun Cho,
• Abstract要約: 本稿では,新しいバースト画像復元パイプラインであるDynamic Exposure Burst Image Restoration (DEBIR)を提案する。 私たちのパイプラインでは、Burst Auto-Exposure Network (BAENet) がバースト画像毎の最適露光時間を推定しています。 バースト画像復元ネットワークは、これらの最適な露光時間を用いて撮影されたバースト画像から高品質な画像を再構成する。
• 参考スコア（独自算出の注目度）: 19.052627779925444
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Burst image restoration aims to reconstruct a high-quality image from burst images, which are typically captured using manually designed exposure settings. Although these exposure settings significantly influence the final restoration performance, the problem of finding optimal exposure settings has been overlooked. In this paper, we present Dynamic Exposure Burst Image Restoration (DEBIR), a novel burst image restoration pipeline that enhances restoration quality by dynamically predicting exposure times tailored to the shooting environment. In our pipeline, Burst Auto-Exposure Network (BAENet) estimates the optimal exposure time for each burst image based on a preview image, as well as motion magnitude and gain. Subsequently, a burst image restoration network reconstructs a high-quality image from burst images captured using these optimal exposure times. For training, we introduce a differentiable burst simulator and a three-stage training strategy. Our experiments demonstrate that our pipeline achieves state-of-the-art restoration quality. Furthermore, we validate the effectiveness of our approach on a real-world camera system, demonstrating its practicality.
• Abstract（参考訳）: バースト画像復元は、バースト画像から高品質な画像を再構築することを目的としており、通常は手動でデザインされた露光設定で撮影される。 これらの露光設定は最終修復性能に大きな影響を及ぼすが、最適な露光設定を見つけるという問題は見過ごされている。 本稿では,撮影環境に合わせた露光時間を動的に予測することにより,復元品質を向上させる新しいバースト画像復元パイプラインであるDynamic Exposure Burst Image Restoration (DEBIR)を提案する。 我々のパイプラインでは、Burst Auto-Exposure Network (BAENet) は、プレビュー画像に基づいて各バースト画像の最適露光時間と、動きの大きさと利得を推定する。 その後、バースト画像復元ネットワークは、これらの最適な露光時間を用いて撮影されたバースト画像から高品質な画像を再構成する。 トレーニングには,異なるバーストシミュレータと3段階のトレーニング戦略を導入する。 我々の実験は、パイプラインが最先端の復元品質を達成することを実証した。 さらに,実世界のカメラシステムに対するアプローチの有効性を検証し,その実用性を実証した。

関連論文リスト

• Deep learning image burst stacking to reconstruct high-resolution ground-based solar observations [0.0]
  短時間露光による現在の復元手法は、強い乱流と高い計算コストを伴う課題に直面している。 本稿では,100個の短い露光画像を1つの高品質な画像にリアルタイムに再構成する深層学習手法を提案する。
  論文  参考訳（メタデータ） (2025-06-05T09:10:31Z)
• ReviveDiff: A Universal Diffusion Model for Restoring Images in Adverse Weather Conditions [15.288300322235473]
  ReviveDiff'と呼ばれるユニバーサルネットワークアーキテクチャを提案し、様々な劣化に対処し、イメージを生き返らせることができる。 我々のアプローチは、悪条件下での品質劣化は、主に天然メディアに由来するという観察から着想を得たものである。 我々は,5種類の劣化条件をカバーする7つのベンチマークデータセットに対して,ReviveDiffを厳格に評価した。
  論文  参考訳（メタデータ） (2024-09-27T17:29:23Z)
• Exposure Bracketing Is All You Need For A High-Quality Image [50.822601495422916]
  マルチ露光画像は、デノイング、デブロアリング、高ダイナミックレンジイメージング、超解像において相補的である。 本研究では,これらの課題を組み合わせ,高品質な画像を得るために露光ブラケット写真を活用することを提案する。 特に時間変調リカレントネットワーク(TMRNet)と自己教師あり適応手法を提案する。
  論文  参考訳（メタデータ） (2024-01-01T14:14:35Z)
• Recovering Continuous Scene Dynamics from A Single Blurry Image with Events [58.7185835546638]
  インプリシットビデオ関数(IVF)は、同時イベントを伴う単一の動きのぼやけた画像を表現する。 両モードの利点を効果的に活用するために、二重注意変換器を提案する。 提案するネットワークは,限られた参照タイムスタンプの地平線画像の監督のみで訓練される。
  論文  参考訳（メタデータ） (2023-04-05T18:44:17Z)
• Learning to restore images degraded by atmospheric turbulence using uncertainty [93.72048616001064]
  大気の乱流は、長距離イメージングシステムによって取得された画像の品質を著しく低下させることができる。 本研究では,大気乱流により劣化した1つの画像の復元のための深層学習に基づくアプローチを提案する。
  論文  参考訳（メタデータ） (2022-07-07T17:24:52Z)
• Exposure Correction Model to Enhance Image Quality [70.7848787073901]
  露光誤りと過度な露光誤りの両方を扱うために,エンドツーエンドの露光補正モデルを提案する。 我々のモデルは、補正された画像を生成するために、画像エンコーダ、連続残差ブロック、画像デコーダを含む。 提案モデルを用いて露出補正を行った結果,ポートレートマッチングの品質は著しく向上した。
  論文  参考訳（メタデータ） (2022-04-22T11:38:52Z)

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。