論文の概要: PickMoment: Continuous-Time Single-Image-to-Video via Learning Deblurring and Blur-to-Video

• arxiv url: http://arxiv.org/abs/2610.01279v1
• Date: Thu, 01 Oct 2026 08:16:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:23.997048
• Title: PickMoment: Continuous-Time Single-Image-to-Video via Learning Deblurring and Blur-to-Video
• Title（参考訳）: PickMoment:学習遅延とBlur-to-Videoによる連続時間シングルイメージ・トゥ・ビデオ
• Abstract要約: PickMoment(ピックモーメント)は、1つの決定論的モデルで露光の任意の部分区間における区間平均のぼかしを学習する継続的時間修正である。 1つのトレーニングされたモデルは、同一ネットワークへの異なるクエリとして、シングルイメージのデブロアリング、ぼやけたビデオ生成、連続時間ピック・ア・モーメントリカバリを統一する。
• 参考スコア（独自算出の注目度）: 8.710366610063982
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Motion blur arises from the temporal integration of a continuous sharp signal over a finite exposure window, yet existing learning-based methods sidestep this physical model and predict only the sharp signal itself: most single-image deblurring methods recover a single frame at the exposure center, while blur-to-video methods predict a fixed set of frames. We introduce PickMoment, a continuous-time reformulation that directly learns the interval-mean blur over arbitrary sub-intervals of the exposure with a single deterministic model. Drawing an analogy to MeanFlow's average-velocity formulation, we train the model with three supervisions derived from the blur integral: an empirical reconstruction loss from available subframes, an additivity loss that enforces self-consistency across overlapping sub-intervals, and a sharp-frame loss anchored at the zero-interval limit. A single trained model unifies single-image deblurring, blur-to-video generation, and continuous-time pick-a-moment recovery as different queries to the same network, with no separate training for each task. Our PickMoment achieves state-of-the-art performance among generative-based deblurring methods on GoPro and HIDE while competitive against restoration-based methods on RealBlur, and the highest per-frame fidelity on GoPro-7 blur-to-video, all in a single forward pass without iterative sampling.
• Abstract（参考訳）: 動きのぼかしは、有限露出ウィンドウ上の連続的なシャープ信号の時間的統合から生じるが、既存の学習ベースの方法は、この物理モデルをサイドステップし、シャープ信号自体を予測する。 単一決定論的モデルを用いて、露光の任意の部分区間上で、間隔平均のぼかしを直接学習する連続時間修正であるPickMomentを導入する。 MeanFlowの平均速度定式化に類似して、利用可能なサブフレームからの経験的再構成損失、重複するサブインターバル間の自己整合性を強制する付加性損失、ゼロインターバル限界に固定されたシャープフレーム損失の3つのインテリジェンスをモデルとして訓練する。 1つのトレーニングされたモデルは、同一ネットワークへの異なるクエリとして、単一イメージのデブロアリング、ぼやけたビデオ生成、および連続時間ピック・ア・モーメントのリカバリを、各タスクに対する個別のトレーニングなしで統一する。 我々のPickMomentは、RealBlurの再生ベースの手法と競合しながら、GoProとHIDEのジェネレーティブベースのデブロアリング手法の最先端のパフォーマンスを達成し、GoPro-7のブラー・トゥ・ビデオにおけるフレーム当たりの忠実度は、反復サンプリングなしで1回のフォワードパスで最高である。

関連論文リスト

• RhymeFlow: Training-Free Acceleration for Video Generation with Asynchronous Denoising Flow Scheduling [51.279397568734424]
  Diffusion Transformers (DiTs) に基づく映像生成モデルは,映像合成において顕著な性能を発揮している。 DiTは3次元の注意の二次的な複雑さのために、高い推論遅延と計算コストに悩まされる。 我々はbftextRhymeFlowを紹介した。bftextRhymeFlowはトレーニング不要のフレームワークで、異なるフレームの認知軌道を分離する。
  論文  参考訳（メタデータ） (2026-06-04T15:49:37Z)
• One-Forcing: Towards Stable One-Step Autoregressive Video Generation [48.93167853711741]
  ワンフォース(英: One-Forcing)は、DMDの目的を高画質かつ効率的なワンステップビデオ生成のための補助的なGAN損失で増大させる、単純で効果的なアプローチである。 ワンフォースは83.76のスコアを獲得し、ワンステップの因果ビデオ生成方法の中で最先端のパフォーマンスを確立する。
  論文  参考訳（メタデータ） (2026-05-22T10:16:58Z)
• DESSERT: Diffusion-based Event-driven Single-frame Synthesis via Residual Training [25.438410354399053]
  ビデオフレーム予測は、将来のフレームを以前のフレームから外挿するが、動的シーンの予測エラーに悩まされる。 DESSERTは,残差学習による拡散型イベント駆動単フレーム合成フレームワークである。
  論文  参考訳（メタデータ） (2025-12-19T08:12:20Z)
• Self Forcing: Bridging the Train-Test Gap in Autoregressive Video Diffusion [67.94300151774085]
  本稿では,自己回帰ビデオ拡散モデルのための新しい訓練パラダイムであるSelf Forcingを紹介する。 露光バイアスの長年の問題に対処し、地道的な文脈で訓練されたモデルは、自身の不完全な出力で条件付けられたシーケンスを生成する必要がある。
  論文  参考訳（メタデータ） (2025-06-09T17:59:55Z)
• Joint Video Multi-Frame Interpolation and Deblurring under Unknown Exposure Time [101.91824315554682]
  本研究では,より現実的で挑戦的なタスク – 複数フレームのジョイントビデオと,未知の露光時間下での劣化 – を野心的に目標とする。 我々はまず,入力されたぼやけたフレームから露出認識表現を構築するために,教師付きコントラスト学習の変種を採用する。 次に、プログレッシブ露光適応型畳み込みと動き改善による露出と動きの表現に基づいて、映像再構成ネットワークを構築した。
  論文  参考訳（メタデータ） (2023-03-27T09:43:42Z)
• Unifying Motion Deblurring and Frame Interpolation with Events [11.173687810873433]
  フレームベースのカメラのスローシャッター速度と長時間露光は、しばしばフレーム間の情報の視覚的曖昧さと損失を引き起こし、キャプチャされたビデオの全体的な品質を劣化させる。 イベントの極めて低レイテンシを利用して、動きのぼやけを緩和し、中間フレーム予測を容易にする、ぼやけたビデオ強調のためのイベントベースモーションデブロアリングとフレーム拡張の統一フレームワークを提案する。 ぼやけたフレーム,潜入画像,イベントストリーム間の相互制約を探索することにより,実世界のぼやけたビデオやイベントによるネットワークトレーニングを可能にする,自己教師付き学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-03-23T03:43:12Z)
• Motion-blurred Video Interpolation and Extrapolation [72.3254384191509]
  本稿では,映像から鮮明なフレームをエンドツーエンドに切り離し,補間し,外挿する新しい枠組みを提案する。 予測フレーム間の時間的コヒーレンスを確保し,潜在的な時間的あいまいさに対処するために,単純で効果的なフローベースルールを提案する。
  論文  参考訳（メタデータ） (2021-03-04T12:18:25Z)

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。