論文の概要: EvBS: Event-guided Blur Synthesis for Domain-adaptive Motion Deblurring
- arxiv url: http://arxiv.org/abs/2608.08066v1
- Date: Sat, 08 Aug 2026 11:10:26 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-11 19:16:36.642124
- Title: EvBS: Event-guided Blur Synthesis for Domain-adaptive Motion Deblurring
- Title（参考訳）: EvBS:ドメイン適応型動作劣化のためのイベント誘導ブラー合成
- Abstract要約: EvBSはイベント誘導型ブラー合成フレームワークである。
トレーニング済みモデルをターゲットドメインに調整するための、さまざまなトレーニングペアを生成する。
EvBSは、見えないテストデータセット上で既存のデブロアリングモデルの堅牢性を効果的に強化する。
- 参考スコア（独自算出の注目度）: 22.317727241744702
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Motion deblurring has achieved remarkable progress with deep learning, yet pre-trained deblurring models often suffer from performance degradation in real-world scenarios due to the domain shift between training and testing distributions. To remedy this, we propose EvBS, an event-guided blur synthesis framework that generates diverse training pairs for calibrating pre-trained models to the target domain. While existing methods are constrained by the inherent entanglement between motion and visual content, our method leverages the high temporal resolution of event cameras to effectively decouple them. This enables us to utilize not only the intrinsic motion that is inherent to the given content but also extrinsic motion transferred from different sources within the target domain, thereby facilitating effective adaptation via fine-tuning. Specifically, EvBS comprises two complementary strategies: Intrinsic-Blur Synthesis, which blurs sharp contents with their own motion patterns, and Extrinsic-Blur Synthesis, which transfers motion from blurry patches to distinct sharp content. This approach generates a diverse set of training pairs that break the inherent constraints of naturally coupled motion and content, resulting in enhanced domain-adaptive deblurring performance. Extensive experiments on multiple benchmarks demonstrate that EvBS effectively enhances the robustness of existing deblurring models on unseen testing datasets.
- Abstract（参考訳）: モーションデブロアリングはディープラーニングによって顕著な進歩を遂げているが、事前トレーニングされたデブロアリングモデルは、トレーニングとテストディストリビューション間のドメインシフトによって、現実のシナリオのパフォーマンス低下に悩まされることが多い。
そこで本稿では,事前学習したモデルを対象領域に校正するための多様なトレーニングペアを生成するイベント誘導型ぼかし合成フレームワークであるEvBSを提案する。
既存の手法は動きと視覚的内容の絡み合いによって制約されるが、この手法はイベントカメラの高時間分解能を利用して効果的に分離する。
これにより、与えられた内容に固有の内在的な動きだけでなく、対象領域内の異なるソースから転送される外在的な動きも利用でき、微調整による効果的な適応が容易になる。
特に、EvBSは2つの相補的な戦略から構成される: 内在性Blur合成は、自身の動きパターンでシャープな内容をぼかすものであり、外在性Blur合成は、ぼやけたパッチから別個のシャープな内容に動きを移す。
このアプローチは、自然に結合された動きと内容の固有の制約を破り、ドメイン適応型遅延性能を向上する多様なトレーニングペアを生成する。
複数のベンチマークに関する大規模な実験により、EvBSは、目に見えないテストデータセット上で既存のデブロアリングモデルの堅牢性を効果的に向上することを示した。
関連論文リスト
- Bridging Event Streams and DiT: Event-Guided Video Frame Interpolation [75.95737622994548]
イベントカメラは、時間的ギャップを埋めるのに適した高解像度モーションキューを提供する。
本稿では,イベント由来のキューを事前学習した画像間拡散モデルに組み込むアダプタベースのフレームワークを提案する。
論文 参考訳（メタデータ） (2026-08-11T04:47:44Z) - From Diffusion To Flow: Efficient Motion Generation In MotionGPT3 [0.0]
MotionGPT3は、学習された連続的な潜伏空間と、テキスト条件合成のための拡散に基づく先行空間を結合する。
我々は、MotionGPT3フレームワーク内の拡散と修正フローの目的を比較した。
実験により、整流流はより少ない訓練エポックに収束し、より早く強い試験性能に達し、拡散に基づく運動品質に適合または超えることを示した。
論文 参考訳（メタデータ） (2026-03-23T09:44:07Z) - Joint Flow Trajectory Optimization For Feasible Robot Motion Generation from Video Demonstrations [8.133207162076877]
本稿では,LfD(Learning-from-Demonstration)パラダイムに基づくポーズ生成とオブジェクトの軌道模倣を把握するためのフレームワークを提案する。
人間の手の動きを直接模倣するのではなく,実演を対象中心のガイドとして扱う。
我々は,様々な実世界の操作タスクにおけるシミュレーションと実世界の実験の両方において,我々のアプローチを検証する。
論文 参考訳（メタデータ） (2025-09-25T03:11:07Z) - Unified modality separation: A vision-language framework for unsupervised domain adaptation [60.8391821117794]
教師なしドメイン適応(Unsupervised domain adapt, UDA)は、ラベル付きソースドメインでトレーニングされたモデルが新しいラベル付きドメインを扱うことを可能にする。
本稿では,モダリティ固有成分とモダリティ不変成分の両方に対応可能な統一モダリティ分離フレームワークを提案する。
提案手法は,9倍の計算効率で最大9%の性能向上を実現している。
論文 参考訳（メタデータ） (2025-08-07T02:51:10Z) - Motion-Aware Generative Frame Interpolation [23.380470636851022]
フローベースのフレーム法は、推定中間フローを通しての運動安定性を保証するが、複雑な動き領域で深刻なアーティファクトを導入することが多い。
大規模な事前学習ビデオ生成モデルによって強化された最近の生成的アプローチは、複雑なシーンの処理において有望であることを示している。
本研究では、中間フロー誘導と生成能力を相乗化して忠実度を高める動き認識生成フレーム(MoG)を提案する。
論文 参考訳（メタデータ） (2025-01-07T11:03:43Z) - MATE: Motion-Augmented Temporal Consistency for Event-based Point Tracking [58.719310295870024]
本稿では,任意の点を追跡するイベントベースのフレームワークを提案する。
事象の間隔に起因する曖昧さを解決するため、運動誘導モジュールは運動ベクトルを局所的なマッチングプロセスに組み込む。
このメソッドは、任意のポイントベースラインのイベントのみのトラッキングに対して、$Survival_50$メトリックを17.9%改善する。
論文 参考訳（メタデータ） (2024-12-02T09:13:29Z) - Training-Free Semantic Video Composition via Pre-trained Diffusion Model [96.0168609879295]
現在のアプローチは、主に前景の色と照明を調整したビデオで訓練されており、表面的な調整以上の深い意味の相違に対処するのに苦労している。
本研究では,事前知識を付加した事前学習拡散モデルを用いた学習自由パイプラインを提案する。
実験の結果,我々のパイプラインは出力の視覚的調和とフレーム間のコヒーレンスを確実にすることがわかった。
論文 参考訳（メタデータ） (2024-01-17T13:07:22Z) - Scalable Motion Style Transfer with Constrained Diffusion Generation [27.330473515686187]
スタイル転送システムの現在のトレーニングは、コンテンツを保存するためにスタイルドメイン間の一貫性の低下に依存している。
最近の画像伝達の研究は、拡散モデル間の暗黙のブリッジングを活用することにより、各領域における独立したトレーニングの可能性を示している。
トレーニング段階におけるドメイン独立性を維持しながら、後方拡散におけるバイアスサンプリングを行うことにより、この問題に対処する。
論文 参考訳（メタデータ） (2023-12-12T14:28:31Z) - Generalizing Event-Based Motion Deblurring in Real-World Scenarios [62.995994797897424]
イベントベースの動作遅延は、低レイテンシイベントを活用することで、有望な結果を示している。
本研究では,フレキシブルな入力空間スケールを実現するとともに,時間スケールの異なる動きのぼかしから学習できるスケール対応ネットワークを提案する。
次に,実世界のデータ分布に適合する2段階の自己教師型学習手法を開発した。
論文 参考訳（メタデータ） (2023-08-11T04:27:29Z) - Spatiotemporal Multi-scale Bilateral Motion Network for Gait Recognition [3.1240043488226967]
本稿では,光学的流れに動機づけられた両動方向の特徴について述べる。
動作コンテキストを多段階の時間分解能でリッチに記述する多段階の時間表現を開発する。
論文 参考訳（メタデータ） (2022-09-26T01:36:22Z) - Motion Deblurring with Real Events [50.441934496692376]
本稿では,イベントベースの動作を自己教師型で記述するエンド・ツー・エンドの学習フレームワークを提案する。
実世界のイベントは、データ不整合によるパフォーマンス劣化を軽減するために利用される。
論文 参考訳（メタデータ） (2021-09-28T13:11:44Z) - EAN: Event Adaptive Network for Enhanced Action Recognition [66.81780707955852]
本稿では,映像コンテンツの動的性質を調査するための統合された行動認識フレームワークを提案する。
まず、局所的な手がかりを抽出する際に、動的スケールの時空間カーネルを生成し、多様な事象を適応的に適合させる。
第2に、これらのキューを正確にグローバルなビデオ表現に集約するために、トランスフォーマーによって選択されたいくつかの前景オブジェクト間のインタラクションのみをマイニングすることを提案する。
論文 参考訳（メタデータ） (2021-07-22T15:57:18Z)
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。