論文の概要: Towards Minimal Focal Stack in Shape from Focus

• arxiv url: http://arxiv.org/abs/2604.01603v1
• Date: Thu, 02 Apr 2026 04:25:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-03 14:21:10.267037
• Title: Towards Minimal Focal Stack in Shape from Focus
• Title（参考訳）: 焦点から形状の最小のフーカルスタックを目指して
• Authors: Khurram Ashfaq, Muhammad Tariq Mahmood,
• Abstract要約: Shape from Focus (SFF) は、焦点スタックで観測された焦点変化からシーン構造を推定する手法である。 SFF法の鍵となる制限は、密度の高いサンプリングされた大きな焦点スタックに依存することである。 本稿では,2つの画像の縮小スタックを用いて,SFF法で深度を推定できる焦点スタック拡張を提案する。
• 参考スコア（独自算出の注目度）: 1.7188280334580195
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Shape from Focus (SFF) is a depth reconstruction technique that estimates scene structure from focus variations observed across a focal stack, that is, a sequence of images captured at different focus settings. A key limitation of SFF methods is their reliance on densely sampled, large focal stacks, which limits their practical applicability. In this study, we propose a focal stack augmentation that enables SFF methods to estimate depth using a reduced stack of just two images, without sacrificing precision. We introduce a simple yet effective physics-based focal stack augmentation that enriches the stack with two auxiliary cues: an all-in-focus (AiF) image estimated from two input images, and Energy-of-Difference (EOD) maps, computed as the energy of differences between the AiF and input images. Furthermore, we propose a deep network that computes a deep focus volume from the augmented focal stacks and iteratively refines depth using convolutional Gated Recurrent Units (ConvGRUs) at multiple scales. Extensive experiments on both synthetic and real-world datasets demonstrate that the proposed augmentation benefits existing state-of-the-art SFF models, enabling them to achieve comparable accuracy. The results also show that our approach maintains state-of-the-art performance with a minimal stack size.
• Abstract（参考訳）: Shape from Focus (SFF)は、フォーカススタック全体、すなわち異なるフォーカス設定で撮影された一連の画像から、シーン構造を推定する深度再構成手法である。 SFF法の鍵となる制限は、高密度にサンプリングされた大きな焦点スタックに依存することである。 本研究では,SFF法で精度を犠牲にすることなく,2つの画像の縮小スタックを用いて深度を推定できる焦点スタック拡張を提案する。 2つの入力画像から推定されるオールインフォーカス(AiF)イメージと、AiFと入力画像の差エネルギーとして計算されるEnergy-of-Difference(EOD)マップである。 さらに,複数スケールの畳み込みGated Recurrent Units(ConvGRUs)を用いて,拡張焦点スタックから深度フォーカスボリュームを計算し,深度を反復的に洗練するディープネットワークを提案する。 合成データセットと実世界のデータセットの両方に対する大規模な実験は、提案された拡張が既存の最先端のSFFモデルに恩恵をもたらし、同等の精度を達成できることを実証している。 また,本手法は最小限のスタックサイズで最先端の性能を維持していることを示す。

関連論文リスト

• Robust Shape from Focus via Multiscale Directional Dilated Laplacian and Recurrent Network [1.7188280334580195]
  Shape-from-Focus (SFF) は、焦点スタックの焦点変化を分析してシーン深度を推定するパッシブ深度推定手法である。 指向性Dilated Laplacianカーネルを用いたマルチスケールフォーカスボリュームの計算を行うハイブリッドフレームワークを提案する。 提案手法は多種多様な焦点条件における精度と一般化を実現する。
  論文  参考訳（メタデータ） (2025-12-11T10:19:52Z)
• DualFocus: Depth from Focus with Spatio-Focal Dual Variational Constraints [26.266318338511876]
  DFFフレームワークであるDualFocusは、フォーカス変動によって引き起こされる焦点スタックの特異な勾配パターンを利用する。 DualFocus は深度精度と知覚品質の両方で最先端の手法を一貫して上回っていることを示す。
  論文  参考訳（メタデータ） (2025-09-26T07:15:36Z)
• Fully Self-Supervised Depth Estimation from Defocus Clue [79.63579768496159]
  スパース焦点スタックから深度を純粋に推定する自己教師型フレームワークを提案する。 筆者らのフレームワークは,深度とAIF画像の接地構造の必要性を回避し,より優れた予測を得られることを示す。
  論文  参考訳（メタデータ） (2023-03-19T19:59:48Z)
• Learning Depth from Focus in the Wild [16.27391171541217]
  単一焦点スタックからの畳み込みニューラルネットワークによる深度推定を提案する。 本手法では,画像アライメントにおいても,奥行きマップをエンドツーエンドで推定することができる。 提案するネットワークの一般化のために,商用カメラの特徴を現実的に再現するシミュレータを開発した。
  論文  参考訳（メタデータ） (2022-07-20T05:23:29Z)
• Deep Depth from Focus with Differential Focus Volume [17.505649653615123]
  焦点スタック内の最良焦点画素を抽出し,焦点推定から深度を推定するための畳み込みニューラルネットワーク(CNN)を提案する。 ネットワークの重要な革新は、新しいディープディファレンシャルフォーカスボリューム(DFV)である。
  論文  参考訳（メタデータ） (2021-12-03T04:49:51Z)
• Bridging Unsupervised and Supervised Depth from Focus via All-in-Focus Supervision [10.547816678110417]
  提案手法は、地上の真理深度で監督的に訓練するか、AiF画像で監督的に訓練することができる。 種々の実験において,本手法は定量的かつ定性的に,最先端の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-08-24T17:09:13Z)
• A learning-based view extrapolation method for axial super-resolution [52.748944517480155]
  軸光界分解能は、再焦点によって異なる深さで特徴を区別する能力を指します。 せん断エピポーラ平面画像の軸体積から新しい視点を推定する学習に基づく手法を提案する。
  論文  参考訳（メタデータ） (2021-03-11T07:22:13Z)
• Defocus Blur Detection via Depth Distillation [64.78779830554731]
  初めてDBDに深度情報を導入します。 より詳しくは, 地底の真理と, 十分に訓練された深度推定ネットワークから抽出した深度から, デフォーカスのぼかしを学習する。 我々の手法は、2つの一般的なデータセット上で11の最先端の手法より優れています。
  論文  参考訳（メタデータ） (2020-07-16T04:58:09Z)

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。