論文の概要: Clarity Contrast and Similarity Selection for Multi-Focus Image Fusion

• arxiv url: http://arxiv.org/abs/2608.03252v1
• Date: Tue, 04 Aug 2026 07:24:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-05 15:30:23.079195
• Title: Clarity Contrast and Similarity Selection for Multi-Focus Image Fusion
• Title（参考訳）: 多焦点画像融合における明瞭度コントラストと類似性の選択
• Authors: Yicheng Zhang, Haoyou Deng, Zhiqiang Li, Wenti Yin, Nong Sang, Changxin Gao,
• Abstract要約: マルチフォーカス画像融合(MFIF)は、異なる領域に焦点を当てた同一シーンの複数の画像から全焦点画像を生成することを目的としている。 本稿では,MFIFの直接情報交換を橋渡しするためのCSNet(Clarity Contrast and similarity Selection Network)を提案する。
• 参考スコア（独自算出の注目度）: 42.88094876202308
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-focus image fusion (MFIF) aims to generate an all-in-focus image from multiple images of the same scene focused at different regions. Most existing deep learning-based methods lack explicit interaction between the source images, which limits their performance and interpretability. This paper presents a novel Clarity Contrast and Similarity Selection Network (CSNet), to bridge direct information exchange for MFIF. Specifically, by contrasting the clarity differences between source images within our proposed Clarity Contrast Attention Module (CCAM), we mutually enhance sharp features while suppressing blurry ones. This allows us to identify the exactly focused regions in each source and locate the focused-defocused boundaries. Moreover, the Defocus Spread Effect (DSE) degrades pixels in all source images around the boundaries. To further refine these ambiguous areas, we introduce a Similarity Selection Strategy, which reconstructs an initial clear image from source images and selects optimal pixels by comparing the similarity among them. Through this interactive approach, CSNet effectively preserves focused regions as well as recovering natural boundaries to fuse an all-in-focus output. Extensive experiments demonstrate that our method achieves state-of-the-art performance both quantitatively and qualitatively. Our code is available on Github: https://github.com/ZYC-HUST/CSNet.
• Abstract（参考訳）: マルチフォーカス画像融合(MFIF)は、異なる領域に焦点を当てた同一シーンの複数の画像から全焦点画像を生成することを目的としている。 既存のディープラーニングベースの手法の多くは、ソースイメージ間の明示的な相互作用を欠いているため、パフォーマンスと解釈性が制限されている。 本稿ではCSNet(Clarity Contrast and similarity Selection Network)を提案する。 具体的には,提案したClarity Contrast Attention Module (CCAM) のソース画像の明瞭度差を対比することにより,ぼやけた画像の鮮明さを抑えながら,鮮明な特徴を相互に強化する。 これにより、各ソースに正確に焦点を絞った領域を特定し、焦点を絞った境界を見つけることができます。 さらに、DSE(Defocus Spread Effect)は、境界周辺のすべてのソースイメージのピクセルを分解する。 そこで我々は,これらの曖昧な領域をさらに洗練するために,ソース画像から初期像を再構成し,その類似性を比較して最適な画素を選択する類似性選択戦略を提案する。 このインタラクティブなアプローチを通じて、CSNetは集中領域を効果的に保存し、自然界を回復し、オールインフォーカス出力を融合する。 大規模実験により,本手法は定量的かつ定性的に,最先端の性能を達成できることが実証された。 私たちのコードはGithubで入手可能です。

関連論文リスト

• Inter-Image Pixel Shuffling for Multi-focus Image Fusion [6.717503707944545]
  Inter-image Pixel Shuffling (IPS)は、ニューラルネットワークがマルチフォーカス画像融合を学習できるようにする新しい方法である。 IPSは、マルチフォーカス画像のトレーニングをしなくても、既存のマルチフォーカス画像融合法よりも大幅に優れている。
  論文  参考訳（メタデータ） (2026-03-07T09:11:50Z)
• 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)
• Gradient-based multi-focus image fusion with focus-aware saliency enhancement [18.335216974790754]
  MFIF(Multi-focus Image fusion)は、複数の部分集中インプットから全焦点画像を取得することを目的としている。 本稿では,高品質な融合境界を生成する重要な境界拡張に基づくMFIF法を提案する。 本手法は主観的評価と客観的評価の両面で,12の最先端手法を一貫して上回っている。
  論文  参考訳（メタデータ） (2025-09-26T14:20:44Z)
• Neural Scene Designer: Self-Styled Semantic Image Manipulation [67.43125248646653]
  我々は,ユーザが指定したシーン領域のリアルな写真操作を可能にする新しいフレームワークであるNeural Scene Designer (NSD)を紹介した。 NSDは、ユーザ意図とのセマンティックアライメントと、周辺環境とのスタイリスティックな整合性の両方を保証する。 細かなスタイル表現を捉えるために,プログレッシブ・セルフスタイル表現学習(PSRL)モジュールを提案する。
  論文  参考訳（メタデータ） (2025-09-01T11:59:03Z)
• A Global Depth-Range-Free Multi-View Stereo Transformer Network with Pose Embedding [76.44979557843367]
  本稿では,事前の深度範囲を排除した新しい多視点ステレオ(MVS)フレームワークを提案する。 長距離コンテキスト情報を集約するMDA(Multi-view Disparity Attention)モジュールを導入する。 ソース画像のエピポーラ線上のサンプリング点に対応する電流画素の品質を明示的に推定する。
  論文  参考訳（メタデータ） (2024-11-04T08:50:16Z)
• Bridging the Gap between Multi-focus and Multi-modal: A Focused Integration Framework for Multi-modal Image Fusion [5.417493475406649]
  MMIF(Multi-Modal Image fusion)は、異なるモダリティ画像からの貴重な情報を融合画像に統合する。 本稿では,協調型統合とモダリティ情報抽出のためのMMIFフレームワークを提案する。 提案アルゴリズムは、視覚知覚と定量的評価において最先端の手法を超越することができる。
  論文  参考訳（メタデータ） (2023-11-03T12:58:39Z)
• BaMBNet: A Blur-aware Multi-branch Network for Defocus Deblurring [74.34263243089688]
  畳み込みニューラルネットワーク(CNN)は、デフォーカス劣化問題に導入され、大きな進歩を遂げた。 本研究では,異なる領域(ブラー量が異なる)を区別して扱う新しいマルチブランチネットワーク(BaMBNet)を設計する。 定量的および定性的な実験は、BaMBNetが最先端の手法より優れていることを示している。
  論文  参考訳（メタデータ） (2021-05-31T07:55:30Z)
• Towards Reducing Severe Defocus Spread Effects for Multi-Focus Image Fusion via an Optimization Based Strategy [22.29205225281694]
  マルチフォーカス画像融合(MFF)はオールインフォーカス画像を生成する一般的な技術である。 本稿では,デフォーカス拡散効果を低減するための最適化手法を提案する。 実世界データセット上で行った実験は,提案モデルの優位性を検証した。
  論文  参考訳（メタデータ） (2020-12-29T09:26:41Z)
• MFIF-GAN: A New Generative Adversarial Network for Multi-Focus Image Fusion [29.405149234582623]
  マルチフォーカス画像融合(MFIF)は、オールインフォーカス画像を得るための有望な技術である。 MFIFの研究動向の1つは、フォーカス/デフォーカス境界(FDB)周辺のデフォーカス拡散効果(DSE)を回避することである。 我々は,MFIF-GANと呼ばれるネットワークを用いて,前景領域が対応する対象よりも正確に大きいフォーカスマップを生成する。
  論文  参考訳（メタデータ） (2020-09-21T09:36:34Z)
• Attentive CutMix: An Enhanced Data Augmentation Approach for Deep Learning Based Image Classification [58.20132466198622]
  そこで我々は,CutMixに基づく自然拡張拡張戦略であるAttentive CutMixを提案する。 各トレーニングイテレーションにおいて、特徴抽出器から中間注意マップに基づいて最も記述性の高い領域を選択する。 提案手法は単純かつ有効であり,実装が容易であり,ベースラインを大幅に向上させることができる。
  論文  参考訳（メタデータ） (2020-03-29T15:01:05Z)

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。