Fugu-MT 論文翻訳(概要): ErA: Error-Aware Deep Unrolling Network for Single Image Defocus Deblurring

論文の概要: ErA: Error-Aware Deep Unrolling Network for Single Image Defocus Deblurring

arxiv url: http://arxiv.org/abs/2606.06540v1
Date: Thu, 04 Jun 2026 04:19:08 GMT
ステータス: 翻訳完了
システム内更新日: 2026-06-08 14:33:29.359096
Title: ErA: Error-Aware Deep Unrolling Network for Single Image Defocus Deblurring
Title（参考訳）: ErA: 単一画像デフォーカスデブロリングのためのエラー対応ディープアンローリングネットワーク
Abstract要約: ErAはコンパクトなケイン基底とピクセル単位の重みを学習し、ラグランジアンにおける誤り認識項は推定誤差をアンロールする。 Realblur、Augmented、Augmentedで最先端のPSNR/SSIMを実現する。 DOFは、根拠のない仕事の強い一般化を示している。
参考スコア（独自算出の注目度）: 2.3860290227895726
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We introduce ErA (Error-Aware Deep Unrolling Network), an end-to-end frame work for single-image defocus deblurring. ErA jointly learns a compact kerne basis and per-pixel weights, while an error-aware term in Augmented Lagrangian unrolling corrects kernel estimation errors via alternating updates and ResUNet denoisers. It achieves state-of-the-art PSNR/SSIM on DPDD, RealDOF, and RTF, and shows strong generalization on CUHK without ground truth.
Abstract（参考訳）: 本稿では,ErA(Error-Aware Deep Unrolling Network)を紹介した。 ErAはコンパクトなカーネルベースとピクセル単位の重みを共同で学習し、Augmented Lagrangian unrollingのエラー認識用語は、更新の交互更新とResUNetによるカーネル推定エラーを補正する。 DPDD, RealDOF, RTF 上で最先端の PSNR/SSIM を実現し, 基礎的真理を伴わないCUHK 上での強力な一般化を示す。

関連論文リスト

ENAF: A Multi-Exit Network with an Adaptive Patch Fusion for Large Image Super Resolution [1.1069528768209997]
ENAFはSISRの動的ネットワークであり、適応パッチ融合を持つ。計算コストとデータテクスチャを関連付けるためにPSNRを推定する小さなネットワークをプラグする。スコアに基づいて、ENAFは画像パッチを出口に効果的に割り当て、品質・複雑さのトレードオフを高める。
論文参考訳（メタデータ） (2026-08-15T18:06:28Z)
Multi-Step Guided Diffusion for Image Restoration on Edge Devices: Toward Lightweight Perception in Embodied AI [0.0]
本稿では,画像品質,知覚精度,一般化を著しく向上させる多段階最適化手法を提案する。超分解能およびガウス劣化実験により,ステップ毎の勾配更新の増加はLPIPSとPSNRを最小遅延オーバーヘッドで改善することを示した。我々の発見はMPGDが、ドローンや移動ロボットのような組込みAIエージェントのリアルタイム視覚認識のための軽量でプラグアンドプレイの修復モジュールとしての可能性を強調した。
論文参考訳（メタデータ） (2025-06-08T21:11:25Z)
Deep learning-based blind image super-resolution with iterative kernel reconstruction and noise estimation [3.2157163136267934]
視覚障害者のためのIKR-Net(Iterative Kernel Reconstruction Network)を提案する。 IKR-Netは、特に動きのぼやけたノイズの多い画像に対して、ブラインドSISRの最先端の結果を達成する。
論文参考訳（メタデータ） (2024-04-25T12:27:22Z)
Stimulating Diffusion Model for Image Denoising via Adaptive Embedding and Ensembling [56.506240377714754]
DMID(Diffusion Model for Image Denoising)と呼ばれる新しい手法を提案する。我々の戦略は、雑音のある画像を事前訓練された非条件拡散モデルに埋め込む適応的な埋め込み法を含む。我々のDMID戦略は、歪みベースと知覚ベースの両方で最先端のパフォーマンスを達成する。
論文参考訳（メタデータ） (2023-07-08T14:59:41Z)
Denoising Diffusion Models for Plug-and-Play Image Restoration [135.6359475784627]
本稿では,従来のプラグアンドプレイ方式を拡散サンプリングフレームワークに統合したDiffPIRを提案する。 DiffPIRは、差別的なガウスのデノイザーに依存するプラグアンドプレイIR法と比較して、拡散モデルの生成能力を継承することが期待されている。
論文参考訳（メタデータ） (2023-05-15T20:24:38Z)
DiffIR: Efficient Diffusion Model for Image Restoration [108.82579440308267]
拡散モデル(DM)は、画像合成過程をデノナイジングネットワークのシーケンシャルな応用にモデル化することで、SOTA性能を達成した。画像全体や特徴マップを推定する大規模なモデルで大規模なイテレーションを実行する従来のDMは、画像復元には非効率である。本稿では、小型IR先行抽出ネットワーク(CPEN)、ダイナミックIR変換器(DIRformer)、デノナイズネットワーク(Denoising Network)からなるDiffIRを提案する。
論文参考訳（メタデータ） (2023-03-16T16:47:14Z)
An Adaptive Method for Camera Attribution under Complex Radial Distortion Corrections [77.34726150561087]
インカメラまたはインカメラソフトウェア/アサートウェアは、PRNUベースのカメラ属性を妨げるために、画像の支持グリッドを変更する。この問題に対処する既存のソリューションは、計算負荷を抑制するために、数変数でパラメータ化された半径変換を用いて補正を反転/推定しようとする。本稿では,Adobe Lightroom, Photoshop, Gimp, PT-Lensといったサードパーティ製ソフトウェアが適用したような高度な補正を,同心円に分割することで実現する適応アルゴリズムを提案する。
論文参考訳（メタデータ） (2023-02-28T08:44:00Z)
Kernel-aware Raw Burst Blind Super-Resolution [0.0]
バースト超解像(SR)は、低画質の画像からリッチな詳細を復元する可能性を提供する。既存の非盲点ネットワークは、高解像度(HR)画像の復元において、パフォーマンスが著しく低下する。本稿では,カーネル対応の変形可能なアライメントモジュールを提案する。
論文参考訳（メタデータ） (2021-12-14T11:49:13Z)
Deep Burst Super-Resolution [165.90445859851448]
バースト超解像タスクのための新しいアーキテクチャを提案する。我々のネットワークは複数のノイズRAW画像を入力として取り出し、出力として分解された超解像RGB画像を生成する。実世界のデータのトレーニングと評価を可能にするため,BurstSRデータセットも導入する。
論文参考訳（メタデータ） (2021-01-26T18:57:21Z)
Rate Region for Indirect Multiterminal Source Coding in Federated Learning [49.574683687858126]
多数のエッジデバイスは、ローカルモデルの各ラウンドでアップデートをエッジに送信します。既存の作品は、異なるエッジによって送信される情報の焦点を活用しない。本稿では,間接多端音源符号化 fl のレート領域について検討する。
論文参考訳（メタデータ） (2021-01-21T16:17:39Z)

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。