論文の概要: The RealDefocus Benchmark for Defocus Deblurring
- arxiv url: http://arxiv.org/abs/2607.21078v1
- Date: Thu, 23 Jul 2026 09:09:58 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-24 18:26:25.343978
- Title: The RealDefocus Benchmark for Defocus Deblurring
- Title（参考訳）: RealDefocus Benchmark for Defocus Deblurring
- Authors: Tim Seizinger, Zhuyun Zhou, Radu Timofte,
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 49.159098203027504
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Single-Image Defocus Deblurring (SIDD) aims to recover an all-in-focus image from a single defocused observation, but rigorous and reproducible evaluation remains challenging due to the scarcity of realistic, high-resolution datasets with well-aligned defocused/sharp pairs and standardized protocols. We build on RealDefocus, a benchmark derived from the real-world RealBokeh dataset originally proposed for Bokeh Rendering. RealDefocus provides paired defocused inputs and sharp ground truth images, predefined training/validation/test splits, and a unified evaluation framework for comparing image restoration and neural rendering approaches. We further outline a benchmarking protocol with cross-dataset validation to assess reconstruction quality and generalization. The project page is publicly available at: www.github.com/TimSeizinger/RealDefocus-Benchmark.
- Abstract（参考訳）: SIDD(Single-Image Defocus Deblurring)は、一対の非集中的な観察から全焦点像を復元することを目的としているが、厳密で再現可能な評価は、よく整列された非集中/共有のペアと標準化されたプロトコルを備えた、現実的な高解像度データセットの不足のため、依然として困難である。
我々は、Bokeh Renderingのために提案されたRealBokehデータセットから派生したベンチマークであるRealDefocusを構築した。
RealDefocusは、ペア化されたデフォーカスされたインプットとシャープな接地真理画像、事前定義されたトレーニング/検証/テスト分割、イメージ復元とニューラルレンダリングのアプローチを比較するための統一された評価フレームワークを提供する。
さらに、再構成品質と一般化を評価するために、クロスデータセット検証を伴うベンチマークプロトコルの概要を述べる。
プロジェクトページは、www.github.com/TimSeizinger/RealDefocus-Benchmarkで公開されている。
関連論文リスト
- AnyBokeh: Physics-Guided Any-to-Any Bokeh Editing with Optical Fingerprint Transfer [56.41100467739059]
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。
論文 参考訳（メタデータ） (2026-06-30T17:01:28Z) - SparseFocus: Learning-based One-shot Autofocus for Microscopy with Sparse Content [21.268550523841117]
オートフォーカスは顕微鏡画像における高スループットおよびリアルタイム走査に必要である。
最近の学習に基づくアプローチは、ワンショット環境で顕著な効果を示している。
SparseFocusという名前のコンテンツベースのソリューションを提案し、新しい2段階パイプラインを特徴とする。
論文 参考訳（メタデータ） (2025-02-10T13:31:32Z) - Reblurring-Guided Single Image Defocus Deblurring: A Learning Framework with Misaligned Training Pairs [65.25002116216771]
本稿では,単一画像デフォーカス・デブロアリングのためのリブロアリング誘導学習フレームワークを提案する。
我々のリブラーリングモジュールは、デブラーレッド画像とリブラーレッド画像と入力ぼかし画像との空間的整合性を保証する。
空間的に変化するぼやけは、再ブルーリングモジュールから引き出すことができ、トレーニング中にデフォーカスのぼやけマップの疑似監視として機能する。
論文 参考訳（メタデータ） (2024-09-26T12:37:50Z) - Towards Real-World Focus Stacking with Deep Learning [97.34754533628322]
焦点ブラケットを用いた94個の高解像度原画像のバーストからなる新しいデータセットを提案する。
このデータセットは、現実世界のアプリケーションに十分な長さのバーストを処理できるフォーカススタックのための最初のディープラーニングアルゴリズムをトレーニングするために使用される。
論文 参考訳（メタデータ） (2023-11-29T17:49:33Z) - Learnable Blur Kernel for Single-Image Defocus Deblurring in the Wild [9.246199263116067]
本稿では,デフォーカスマップのガイダンスを用いて画像のデブロリングを実装する新しいデフォーカスデブロアリング法を提案する。
提案手法は,デフォーカスマップを推定する学習可能なぼかしカーネルと,デフォーカスGAN(Generative Adversarial Network)を初めてデフォーカスする単一イメージデフォーカスとから構成される。
論文 参考訳（メタデータ） (2022-11-25T10:47:19Z) - Single-image Defocus Deblurring by Integration of Defocus Map Prediction
Tracing the Inverse Problem Computation [25.438654895178686]
本稿では,デフォーカスマップに基づく空間変調を用いた簡易かつ効果的なネットワークを提案する。
実験結果から,本手法は既存の最先端手法よりも定量的,定性的な評価性能を向上できることが示された。
論文 参考訳（メタデータ） (2022-07-07T02:15:33Z) - Learning to Deblur using Light Field Generated and Real Defocus Images [4.926805108788465]
デフォーカス・デブロワーリングは、デフォーカス・ボケの性質が空間的に変化するため、困難な作業である。
本稿では,光の強度を活用し,光源の欠点を克服する新しいディープデフォーカス・デブロアリング・ネットワークを提案する。
論文 参考訳（メタデータ） (2022-04-01T11:35:51Z) - Deep Autofocus for Synthetic Aperture Sonar [28.306713374371814]
本稿では,機械学習,特にディープラーニングがオートフォーカス問題に対処する可能性を示す。
我々は、Deep Autofocusと呼ばれるディープネットワークを用いて、自己教師型位相誤差推定タスクとして問題を定式化する。
以上の結果から,Deep Autofocusは,ベンチマーク反復手法に劣らず,計算コストが大幅に低い画像を生成することができることを示した。
論文 参考訳（メタデータ） (2020-10-29T15:31:15Z) - Real-MFF: A Large Realistic Multi-focus Image Dataset with Ground Truth [58.226535803985804]
我々はReal-MFFと呼ばれる大規模で現実的なマルチフォーカスデータセットを導入する。
データセットは、710対のソースイメージと対応する接地真理画像を含む。
このデータセット上で10の典型的なマルチフォーカスアルゴリズムを図示のために評価する。
論文 参考訳（メタデータ） (2020-03-28T12:33:46Z)
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。