Fugu-MT 論文翻訳(概要): Realistic Compound-Lens Defocus Blur Synthesis

論文の概要: Realistic Compound-Lens Defocus Blur Synthesis

arxiv url: http://arxiv.org/abs/2607.05837v1
Date: Tue, 07 Jul 2026 05:00:44 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-08 21:24:51.400811
Title: Realistic Compound-Lens Defocus Blur Synthesis
Title（参考訳）: リアルな化合物-レンズデフォーカスブラー合成
Abstract要約: 種々の複合レンズのための現実的なデフォーカス除去データセットを合成するためのパイプラインを提案する。レンズ・ディバースデフォーカス画像対を含む大規模合成データセットであるCLDefocusを生成する。
参考スコア（独自算出の注目度）: 16.115267588640453
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Defocus blur degrades fine image structures and limits visual perception, which can adversely affect downstream vision tasks. Although recent deep learning deblurring methods have achieved strong performance, their effectiveness depends on training data and often degrades across cameras and lenses due to limited optical diversity and realism in existing datasets. In this paper, we propose a pipeline for synthesizing realistic defocus deblurring datasets for diverse compound lenses. It integrates efficient wave-optics PSF computation via Debye CZT propagation, depth-aware defocus rendering with occlusion handling, and blur synthesis in the radiometrically linear space with camera ISP simulation. This unified pipeline enables the scalable generation of photorealistic defocus datasets with diverse lens characteristics. Using our pipeline, we generate CLDefocus, a large-scale synthetic dataset containing lens-diverse defocus image pairs. We further analyze the limitations of real-captured defocus datasets and show that such imperfections can bias full-reference evaluation. Extensive experiments demonstrate that models trained on CLDefocus achieve improved cross-device generalization compared to models trained on existing real and synthetic datasets.
Abstract（参考訳）: Defocus blurは微細な画像構造を劣化させ、視覚知覚を制限し、下流の視覚タスクに悪影響を及ぼす。最近のディープラーニングのデブロアリング法は高い性能を達成しているが、その効果はトレーニングデータに依存しており、既存のデータセットの光学的多様性やリアリズムに制限があるため、カメラやレンズ間で分解されることが多い。本稿では,多様な複合レンズのための現実的なデフォーカス除去データセットを合成するためのパイプラインを提案する。これは、デバイCZT伝搬による効率的な波動光学PSF計算、オクルージョンハンドリングによる深度認識デフォーカスレンダリング、カメラISPシミュレーションによる線量線形空間における曖昧な合成を統合している。この統合パイプラインは、多様なレンズ特性を持つフォトリアリスティックデフォーカスデータセットをスケーラブルに生成することを可能にする。パイプラインを用いて、レンズの異なるデフォーカス画像対を含む大規模な合成データセットであるCLDefocusを生成する。さらに、実捕集されたデフォーカスデータセットの限界を分析し、そのような不完全性は完全な参照評価をバイアスする可能性があることを示す。 CLDefocusでトレーニングされたモデルが、既存の実データや合成データセットでトレーニングされたモデルと比較して、デバイス間一般化の改善を実現していることを示す大規模な実験である。

関連論文リスト

DefocusTrackerAI -- A Generalized Framework for the Automatic Detection of Defocused Particle Images [0.0]
DefocusTrackerAIは、非焦点粒子画像の自動検出と位置推定のためのフレームワークである。 YOLOv9は、様々な直径の非直感的および非直感的な非直感的粒子像を含む多種多様な特徴豊富な合成画像セットで訓練されている。
論文参考訳（メタデータ） (2026-05-22T08:01:22Z)
Learning to Remove Lens Flare in Event Camera [56.9171469873838]
イベントカメラデータからレンズフレアを除去する最初のフレームワークであるE-DeflareDeflareを提案する。まず、非線形抑制機構の物理基底フォワードモデルを導出した理論基盤を確立する。このベンチマークを利用して、最先端の復元性能を実現するE-DeflareNetを設計する。
論文参考訳（メタデータ） (2025-12-09T18:59:57Z)
Parameter-Free Neural Lens Blur Rendering for High-Fidelity Composites [9.308179344001795]
一貫性のある自然なカメラレンズのぼかしは、3D仮想オブジェクトを写真にシームレスにブレンドするのに重要である。既存のパイプラインは、しばしば写実的なレンズぼかしレンダリングのために混乱の円(CoC)を計算するためにカメラパラメータに依存する。本稿では,RGB画像から直接CoCマップを推定する手法を提案する。
論文参考訳（メタデータ） (2025-11-21T07:32:05Z)
Fine-grained Defocus Blur Control for Generative Image Models [66.30016220484394]
現在のテキストと画像の拡散モデルは、多様な高品質な画像を生成するのに優れている。本稿では,カメラメタデータを活用した新しいテキスト・画像拡散フレームワークを提案する。我々のモデルは、描写されたシーンを変更することなく、より優れたきめ細かい制御を可能にする。
論文参考訳（メタデータ） (2025-10-07T17:59:15Z)
Efficient Depth- and Spatially-Varying Image Simulation for Defocus Deblur [16.9629875455607]
既存のオープンソースデータセットでトレーニングされたディープラーニングモデルは、多くの場合、ドメインギャップに直面し、現実世界の設定ではうまく機能しない。実世界のデータによる微調整に依存しない,効率的でスケーラブルなデータセットアプローチを提案する。提案手法は深度に依存したデフォーカスと空間的に変化する光学収差を同時にモデル化し、計算複雑性と高品質なRGB-Dデータセットの不足に対処する。
論文参考訳（メタデータ） (2025-07-01T02:03:04Z)
LensNet: An End-to-End Learning Framework for Empirical Point Spread Function Modeling and Lensless Imaging Reconstruction [32.85180149439811]
レンズレスイメージングは、従来のレンズベースのシステムに代わる有望な選択肢である。従来のレンズレス技術は、しばしば明示的な校正と広範な前処理を必要とする。本研究では,空間領域と周波数領域の表現を統合したエンドツーエンドのディープラーニングフレームワークであるLensNetを提案する。
論文参考訳（メタデータ） (2025-05-03T09:11:52Z)
Examining the Impact of Optical Aberrations to Image Classification and Object Detection Models [58.98742597810023]
視覚モデルは、ノイズやぼやけなどの乱れに対して頑丈に振る舞う必要がある。本稿では,OpticsBenchとLensCorruptionsという,ぼやけた汚職の2つのデータセットについて検討する。 ImageNet と MSCOCO における画像分類と物体検出の評価は,様々な事前学習モデルにおいて OpticsBench と LensCorruptions の性能が著しく異なることを示す。
論文参考訳（メタデータ） (2025-04-25T17:23:47Z)
Deep Domain Adaptation: A Sim2Real Neural Approach for Improving Eye-Tracking Systems [80.62854148838359]
眼球画像のセグメンテーションは、最終視線推定に大きな影響を及ぼす眼球追跡の重要なステップである。対象視線画像と合成訓練データとの重なり合いを測定するために,次元還元法を用いている。提案手法は,シミュレーションと実世界のデータサンプルの相違に対処する際の頑健で,性能が向上する。
論文参考訳（メタデータ） (2024-03-23T22:32:06Z)
Defocus Blur Synthesis and Deblurring via Interpolation and Extrapolation in Latent Space [3.097163558730473]
我々は、線形性関係を強制するために暗黙的かつ明示的な正規化手法でオートエンコーダを訓練する。既存の作品と比較して、私たちは単純なアーキテクチャを使って、フレキシブルなボケレベルで画像を合成します。我々の正規化オートエンコーダは、データ拡張技術としてデータの多様性を増大させ、ぼかしやデブロを効果的に模倣することができる。
論文参考訳（メタデータ） (2023-07-28T10:27:28Z)
Towards Real-World Video Deblurring by Exploring Blur Formation Process [53.91239555063343]
近年、深層学習に基づくアプローチは、ビデオデブロアリングタスクにおいて有望な成功を収めている。既存の合成データセットで訓練されたモデルは、現実世界のぼやけたシナリオよりも一般化の問題に悩まされている。本稿では, RAW-Blur と呼ばれる, ぼかし生成の手がかりを生かして, 現実的なぼかし合成パイプラインを提案する。
論文参考訳（メタデータ） (2022-08-28T09:24:52Z)
Universal and Flexible Optical Aberration Correction Using Deep-Prior Based Deconvolution [51.274657266928315]
そこで本研究では,収差画像とpsfマップを入力とし,レンズ固有深層プリエントを組み込んだ潜在高品質版を生成する,psf対応プラグイン・アンド・プレイ深層ネットワークを提案する。具体的には、多彩なレンズの集合からベースモデルを事前訓練し、パラメータを迅速に精製して特定のレンズに適応させる。
論文参考訳（メタデータ） (2021-04-07T12:00:38Z)

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。