論文の概要: AnyBokeh: Physics-Guided Any-to-Any Bokeh Editing with Optical Fingerprint Transfer
- arxiv url: http://arxiv.org/abs/2606.31959v1
- Date: Tue, 30 Jun 2026 17:01:28 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-01 18:27:19.320943
- Title: AnyBokeh: Physics-Guided Any-to-Any Bokeh Editing with Optical Fingerprint Transfer
- Title（参考訳）: AnyBokeh: 光フィンガープリントによる物理誘導型Any-to-Any Bokeh編集
- Abstract要約: 我々は,任意のボケ編集のための物理誘導フレームワークであるAnyBokehを紹介した。
ソース・オブ・コンフュージョン・マップとターゲット・オブ・コンフュージョン・マップの両方に条件付けされた生成エディタは、相対的にぼやけた合成を行う。
実験によると、AnyBokehはあらゆるボケ編集、オール・イン・フォーカス・トゥ・ボケレンダリング、デフォーカス・デブロアリングなど、忠実でコントロール可能な編集を実現している。
- 参考スコア（独自算出の注目度）: 56.41100467739059
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Depth-of-field control is a fundamental tool in photography, yet post-capture bokeh editing from a single image remains challenging. A practical editor should handle images captured under arbitrary focus and aperture settings. Existing methods typically assume an all-in-focus input, or first recover an all-in-focus image before rendering new bokeh. Such pipelines can discard useful blur cues from the source image and propagate reconstruction artifacts into the final edit. We introduce AnyBokeh, a physics-guided framework for any-to-any bokeh editing. Instead of treating source blur merely as a degradation to be removed, AnyBokeh estimates the source blur state with a signed circle-of-confusion map and a disparity map. By modeling the linear relation between signed circle of confusion and disparity difference, AnyBokeh estimates a source-specific optical fingerprint and transfers the source optical characteristics to the desired focus and aperture setting. A generative editor conditioned on both source and target circle-of-confusion maps then performs relative blur synthesis, enabling spatially adaptive deblurring, preservation, and defocus rendering. To support physically supervised learning, we further construct a high-fidelity synthetic dataset with accurate depth, focus distance, and full EXIF metadata. Experiments on real-world benchmarks show that AnyBokeh achieves faithful and controllable editing across any-to-any bokeh editing, all-in-focus-to-bokeh rendering, and defocus deblurring, while avoiding all-in-focus reconstruction and test-time bokeh-level calibration commonly required by existing approaches. The code and dataset will be available at https://github.com/itsmag11/AnyBokeh.
- Abstract（参考訳）: 被写界深度制御(depth-of-field control)は写真撮影の基本的なツールであるが、単一の画像からの撮影後のボケ編集は難しいままである。
実用的なエディタは、任意のフォーカスと開口設定でキャプチャされたイメージを扱うべきである。
既存のメソッドは通常、オールインフォーカス入力を仮定するか、最初にオールインフォーカスイメージを復元し、新しいボケを描画する。
このようなパイプラインは、ソースイメージから有用なブラーキューを破棄し、再構築アーティファクトを最終編集に伝達することができる。
我々は,任意のボケ編集のための物理誘導フレームワークであるAnyBokehを紹介した。
ソースのぼかしを単に除去する分解として扱う代わりに、AnyBokeh氏は、符号付き同心円マップと不均一マップでソースのぼかし状態を推定する。
AnyBokehは、符号付き混乱円と不均一差の線形関係をモデル化することにより、ソース固有の光学指紋を推定し、元の光学特性を所望の焦点と開口設定に転送する。
ソース・オブ・コンフュージョン・マップとターゲット・オブ・コンフュージョン・マップの両方に条件付けされた生成エディタは、相対的にぼやけた合成を行い、空間適応的な劣化、保存、デフォーカスレンダリングを可能にする。
物理的に教師付き学習を支援するため,精度の高い深度,焦点距離,全EXIFメタデータを備えた高忠実な合成データセットを構築した。
実世界のベンチマークでの実験では、AnyBokehは、既存のアプローチで一般的に必要とされるオールインフォーカスの再構築とテストタイムのボケレベルのキャリブレーションを避けながら、任意のボケ編集、オールインフォーカス・トゥ・ボケレンダリング、デフォーカス・デブロアリングに対して忠実でコントロール可能な編集を実現している。
コードとデータセットはhttps://github.com/itsmag11/AnyBokeh.comから入手できる。
関連論文リスト
- The RealDefocus Benchmark for Defocus Deblurring [49.159098203027504]
SIDD (Single-Image Defocus Deblurring) は、一焦点の観測から全焦点のイメージを復元することを目的としている。
実世界のRealBokehデータセットから派生したベンチマークであるRealDefocusをベースとしています。
論文 参考訳（メタデータ） (2026-07-23T09:09:58Z) - Generative Refocusing: Flexible Defocus Control from a Single Image [12.798805351731668]
我々は、DeNetを使って様々な入力からオールインフォーカスイメージを復元する2段階のプロセスであるGenerative Refocusingと、制御可能なボケを作成するBokehNetを紹介した。
実験の結果,デフォーカス・デブロアリング,ボケ合成,再焦点ベンチマークにおいて,最高の性能を達成できた。
論文 参考訳（メタデータ） (2025-12-18T18:59:59Z) - 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) - 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) - Defocus to focus: Photo-realistic bokeh rendering by fusing defocus and
radiance priors [26.38833313692807]
Bokehレンダリングは、プロの写真における美的浅層深度(DoF)を模倣している。
既存の手法は、単純な平坦な背景のぼやけと、焦点内領域のぼやけに悩まされている。
本稿では,現実的なボケレンダリングを学習するためのD2Fフレームワークについて述べる。
論文 参考訳（メタデータ） (2023-06-07T15:15:13Z) - Natural & Adversarial Bokeh Rendering via Circle-of-Confusion Predictive
Network [25.319666328268116]
Bokeh効果は被写界深度が浅い現象で、写真では焦点がぼやけている。
我々は、全く新しい問題、すなわち自然と敵対的なボケのレンダリングについて研究する。
本稿では,データ駆動方式と物理認識方式のそれぞれの利点を生かして,ハイブリッドな代替案を提案する。
論文 参考訳（メタデータ） (2021-11-25T09:08:45Z) - Selective Light Field Refocusing for Camera Arrays Using Bokeh Rendering
and Superresolution [27.944215174962995]
カメラアレイの撮像品質を向上させるための光場再焦点法を提案する。
本手法では,深度に基づく異方性フィルタを用いて非焦点領域(bokeh)を描画する。
提案手法は,他の最先端手法と比較して,計算コストが許容できる優れた視覚性能を実現する。
論文 参考訳（メタデータ） (2021-08-09T10:19:21Z) - 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) - 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。