論文の概要: Towards Photorealistic and Efficient Bokeh Rendering via Diffusion Framework

• arxiv url: http://arxiv.org/abs/2605.07429v1
• Date: Fri, 08 May 2026 08:31:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-11 19:43:38.920003
• Title: Towards Photorealistic and Efficient Bokeh Rendering via Diffusion Framework
• Title（参考訳）: 拡散フレームワークによる光現実的で効率的なボケレンダリングを目指して
• Authors: Linxiao Shi, Siming Zheng, Zerong Wang, Hao Zhang, Jinwei Chen, Bo Li, Shifeng Chen, Peng-Tao Jiang,
• Abstract要約: 既存のモバイルデバイスは、小さな開口部のようなコンパクトな光学設計によって制約されている。 高品質で効率的なボケレンダリングのための統合拡散ベースフレームワークMagicBokehを提案する。
• 参考スコア（独自算出の注目度）: 29.580886518291518
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Existing mobile devices are constrained by compact optical designs, such as small apertures, which make it difficult to produce natural, optically realistic bokeh effects. Although recent learning-based methods have shown promising results, they still struggle with photos captured under high digital zoom levels, which often suffer from reduced resolution and loss of fine details. A naive solution is to enhance image quality before applying bokeh rendering, yet this two-stage pipeline reduces efficiency and introduces unnecessary error accumulation. To overcome these limitations, we propose MagicBokeh, a unified diffusion-based framework designed for high-quality and efficient bokeh rendering. Through an alternative training strategy and a focus-aware masked attention mechanism, our method jointly optimizes bokeh rendering and super-resolution, substantially improving both controllability and visual fidelity. Furthermore, we introduce degradation-aware depth module to enable more accurate depth estimation from low-quality inputs. Experimental results demonstrate that MagicBokeh efficiently produces photorealistic bokeh effects, particularly on real-world low-resolution images, paving the way for future advancements in bokeh rendering. Our code and models are available at https://github.com/vivoCameraResearch/MagicBokeh.
• Abstract（参考訳）: 既存のモバイルデバイスは、小さな開口部のようなコンパクトな光学設計によって制約されているため、自然で光学的に現実的なボケ効果を生み出すことは困難である。 最近の学習ベースの手法は有望な結果を示しているが、高解像度のデジタルズームで撮影された写真に苦戦し、解像度の低下や細部の詳細の喪失に悩まされることが多い。 単純な解決策はボケレンダリングを適用する前に画質を向上させることだが、この2段階のパイプラインは効率を低下させ、不要なエラーの蓄積をもたらす。 これらの制限を克服するために,高画質で効率的なボケレンダリングを実現するために設計された統合拡散ベースフレームワークMagicBokehを提案する。 代替のトレーニング戦略とフォーカス対応マスキングアテンション機構により、ボケレンダリングと超解像を共同で最適化し、制御性と視力の両方を大幅に改善する。 さらに,低品質入力からより正確な深度推定を可能にするための劣化認識深度モジュールを導入する。 実験により、MagicBokehは、特に現実世界の低解像度画像において、光リアリスティックなボケ効果を効率よく生成し、ボケレンダリングの今後の進歩への道を開いた。 私たちのコードとモデルはhttps://github.com/vivoCameraResearch/MagicBokeh.comで公開されています。

関連論文リスト

• BokehFlow: Depth-Free Controllable Bokeh Rendering via Flow Matching [33.101056425502584]
  ボケレンダリングは、写真における浅い視野効果をシミュレートし、視覚美学を強化し、興味のある領域への視聴者の注意を誘導する。 本稿では,フローマッチングに基づくボケレンダリングのためのフレームワークであるボケフローを提案する。 BokehFlowは、オールインフォーカス画像から直接フォトリアリスティックなボケ効果を合成し、深度入力を不要にする。
  論文  参考訳（メタデータ） (2025-11-19T03:18:58Z)
• BokehDiff: Neural Lens Blur with One-Step Diffusion [62.59018200914645]
  ボケフディフ(BokehDiff)は、物理的に正確で視覚的に魅力的な結果が得られるレンズボウ描画法である。 提案手法では, 画像形成プロセスと整合する自己認識モジュールを物理に着想を得た。 付加雑音を導入することなく1ステップの推論方式に拡散モデルを適応させ,高品質で忠実な結果を得る。
  論文  参考訳（メタデータ） (2025-07-24T03:23:19Z)
• Any-to-Bokeh: Arbitrary-Subject Video Refocusing with Video Diffusion Model [38.625590142415405]
  時間的コヒーレントな深度対応ビデオボケレンダリングを生成するための一段階拡散フレームワークを提案する。 合成および実世界のベンチマークの実験では、時間的コヒーレンス、空間的精度、制御性が向上し、以前のベースラインよりも優れていた。 この研究は、ビデオボケ生成のための初めての専用拡散フレームワークであり、時間的コヒーレントで制御可能なフィールド効果のための新しいベースラインを確立する。
  論文  参考訳（メタデータ） (2025-05-27T14:33:54Z)
• Bokehlicious: Photorealistic Bokeh Rendering with Controllable Apertures [51.16022611377722]
  ボケのレンダリング手法は、プロの写真に見られる視覚的に魅力的で、ソフトにぼやけた背景を作り出す上で重要な役割を果たしている。 本稿では,Aperture-Aware Attention 機構を用いて,ボケの強度を直感的に制御する高効率ネットワークであるBokehliciousを提案する。 プロの写真家が撮影した23,000の高解像度(24-MP)の画像を含む新しいデータセットであるRealBokehを提示する。
  論文  参考訳（メタデータ） (2025-03-20T12:00:45Z)
• Variable Aperture Bokeh Rendering via Customized Focal Plane Guidance [18.390543681127976]
  提案手法は,主流のボケモデルよりもはるかに軽量な4.4Mパラメータで,最先端の競合性能を実現している。 提案手法は,主流のボケモデルよりもはるかに軽量な4.4Mパラメータで,最先端の競合性能を実現している。
  論文  参考訳（メタデータ） (2024-10-18T12:04:23Z)
• BokehOrNot: Transforming Bokeh Effect with Image Transformer and Lens Metadata Embedding [2.3784282912975345]
  Bokeh効果(ボケエフェクト、英: Bokeh effect)は、広角レンズを備えたハイエンドカメラが生み出す、快適な視覚体験を提供する光学現象である。 本稿では,このモデルにレンズメタデータを埋め込み,アルファマスクを用いた損失計算手法を提案する。 以上の手法に基づいて,ブラープ・トゥ・シャープとシャープ・トゥ・ブルーのボケ効果を両立できるボケオルノットモデルを提案する。
  論文  参考訳（メタデータ） (2023-06-06T21:49:56Z)
• AIM 2020 Challenge on Rendering Realistic Bokeh [95.87775182820518]
  本稿では,第2回AIM現実ボケ効果レンダリングチャレンジをレビューする。 目標は、大規模なESB! bokehデータセットを使用して、現実的な浅いフォーカステクニックを学ぶことだった。 参加者は、他のカメラやセンサーからの追加データなしで、単一のフレームのみに基づいてボケ効果をレンダリングしなければならなかった。
  論文  参考訳（メタデータ） (2020-11-10T09:15:38Z)
• Rendering Natural Camera Bokeh Effect with Deep Learning [95.86933125733673]
  ボケ(Bokeh)は、写真に焦点をあてる重要な芸術効果である。 モバイルカメラは、光学の直径が非常に小さいため、被写界深度が浅い写真を作ることができない。 本稿では,デジタル一眼レフカメラで撮影された写真から直接,現実的な浅層焦点技術を学ぶことを提案する。
  論文  参考訳（メタデータ） (2020-06-10T07:28:06Z)

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。