論文の概要: TSRN-RTVD: Real-Time Video Deblurring System
- arxiv url: http://arxiv.org/abs/2610.08230v1
- Date: Tue, 06 Oct 2026 12:17:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-08 02:58:29.974605
- Title: TSRN-RTVD: Real-Time Video Deblurring System
- Title（参考訳）: TSRN-RTVD:リアルタイムビデオデブリシステム
- Abstract要約: TSRN-RTVDは、露光時に下層のカメラ軌道を再構築する効率的なビデオデブロアリングシステムである。
我々のシステムは1つのコンシューマGPU上で動作し、GoProデータセット上で30.08dBのPSNRに達しながら、30FPSでビデオを復元する。
- 参考スコア（独自算出の注目度）: 0.30786914102688595
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: As video capture moves to handheld and edge devices, motion blur from camera shake has become a pervasive degradation that lowers perceptual quality and harms downstream vision tasks. The strongest deblurring networks recover impressive detail, yet they remain computationally heavy and overwhelmingly complex, so their quality comes at a cost that consumer hardware cannot pay in real time. This gap between restoration quality and on-device speed is exactly what makes real-time deblurring difficult. We developed and implemented TSRN-RTVD, an efficient video deblurring system that explicitly reconstructs the underlying camera trajectory during exposure and uses the recovered motion to guide restoration. This approach turns the physical cause of blur into a signal that drives sharpening. Our system runs on a single consumer GPU and restores the video at 30 FPS while reaching 30.08 dB PSNR on the GoPro dataset. We demonstrate TSRN-RTVD on consumer devices with interactive side-by-side visualization of the blurry input and the deblurred output, live throughput, and an on-screen view of the recovered camera trajectory. Demo video is available at https://youtu.be/3alMwVrVALU.
- Abstract（参考訳）: ビデオキャプチャーがハンドヘルドデバイスやエッジデバイスに移動するにつれ、カメラの揺れによる動きのぼかしが広まり、知覚品質が低下し、下流の視覚タスクに悪影響を及ぼす。
最も強力な遅延ネットワークは印象的な詳細を回復するが、計算が重く、複雑であり続けているため、その品質は消費者ハードウェアがリアルタイムに支払えないようなコストが伴う。
修復品質とオンデバイススピードのギャップは、まさにリアルタイムの劣化を難しくしている。
我々は、露光時に下層のカメラ軌道を明示的に再構成する効率的なビデオデブロアリングシステムであるTSRN-RTVDを開発し、実装した。
このアプローチは、ぼかしの物理的原因をシャープニングを駆動する信号に変える。
我々のシステムは1つのコンシューマGPU上で動作し、GoProデータセット上で30.08dBのPSNRに達しながら、30FPSでビデオを復元する。
コンシューマデバイス上でTSRN-RTVDを,ぼやけた入力と劣化した出力,ライブスループット,回収したカメラ軌跡の画面上での視界をインタラクティブに可視化する。
デモビデオはhttps://youtu.be/3alMwVrVALU.comで公開されている。
関連論文リスト
- ORBIT++: Benchmarking SfM in the Wild with 360° Video [72.00714051649408]
カメラポーズ推定のための新しいベンチマークを導入する。
オンラインパノラマ360ビデオは、挑戦的なクリップを構築するためのデータ源である。
ORBITは、研究者が真に困難な現実世界のSfM問題の進捗を有意義に測定できる貴重なテストベッドを提供する。
論文 参考訳（メタデータ） (2026-08-22T16:54:06Z) - TARS: Timestep-Aware Data Scaling for 3D-Free Video Re-Shooting [17.23436401314677]
ビデオの再撮影は、コントロール可能なカメラモーションと視点でビデオを再生することを目的としている。
TARSは従来の方法よりも正確で時間的に一貫したカメラ制御を提供する。
論文 参考訳（メタデータ） (2026-07-30T14:18:43Z) - Artificial Microsaccade Compensation: Stable Vision for an Ornithopter [17.362280777359498]
尾の無いオルニトプターで撮影した映像を安定化させる「芸術的マイクロサックド補償」。
提案手法は,SO(3)で表される3次元回転を最適化することにより,画像強度の変化を最小限に抑える。
固定された視方向、時にはササードを保持するように適応すると、フレーム間の動きを劇的に減らすことができる。
論文 参考訳（メタデータ） (2025-12-03T17:24:02Z) - Dynamic EventNeRF: Reconstructing General Dynamic Scenes from Multi-view RGB and Event Streams [69.65147723239153]
動的シーンのボリューム再構成はコンピュータビジョンにおいて重要な問題である。
照明が悪く、動きが速い場合には特に困難である。
本稿では,スパースなマルチビューイベントストリームとスパースなRGBフレームからシーンを時間的に再構築する手法を提案する。
論文 参考訳（メタデータ） (2024-12-09T18:56:18Z) - Pedestrian detection with high-resolution event camera [0.0]
イベントカメラ(DVS)は、上記の問題に対処するための、潜在的に興味深い技術である。
本稿では,歩行者検出作業における深層学習によるイベントデータ処理の2つの方法の比較を行う。
ビデオフレーム,畳み込みニューラルネットワーク,非同期スパース畳み込みニューラルネットワークの形式で表現した。
論文 参考訳（メタデータ） (2023-05-29T10:57:59Z) - Shakes on a Plane: Unsupervised Depth Estimation from Unstabilized
Photography [54.36608424943729]
2秒で取得した12メガピクセルのRAWフレームの「長バースト」では,自然手震動のみからの視差情報で高品質のシーン深度を回復できることが示されている。
我々は、長時間バーストデータにニューラルRGB-D表現を適合させるテスト時間最適化手法を考案し、シーン深度とカメラモーションを同時に推定する。
論文 参考訳（メタデータ） (2022-12-22T18:54:34Z) - Neural Global Shutter: Learn to Restore Video from a Rolling Shutter
Camera with Global Reset Feature [89.57742172078454]
ローリングシャッター(RS)画像センサは、撮影中にカメラや物体が動き出すとき、幾何学的歪みに悩まされる。
本稿では,ローリングシャッターとグローバルリセット機能(RSGR)を用いて,クリーンなグローバルシャッター(GS)ビデオの復元を行う。
この機能により、修正問題をデブロアのようなものにし、不正確でコストのかかる運動推定をなくすことができる。
論文 参考訳（メタデータ） (2022-04-03T02:49:28Z) - TimeReplayer: Unlocking the Potential of Event Cameras for Video
Interpolation [78.99283105497489]
イベントカメラは、任意に複雑な動きのあるビデオを可能にする新しいデバイスである。
本稿では,コモディティカメラが捉えた映像とイベントとを補間するTimeReplayerアルゴリズムを提案する。
論文 参考訳（メタデータ） (2022-03-25T18:57:42Z) - Zero-Reference Image Restoration for Under-Display Camera of UAV [10.498049147922258]
画像のテクスチャと色を向上することで視覚体験を向上させる新しい手法を提案する。
本手法は,入力画像上の低ランクアフィングリッドを推定するために,軽量ネットワークを訓練する。
我々のモデルは任意の解像度の画像の高品質な復元をリアルタイムで行うことができる。
論文 参考訳（メタデータ） (2022-02-13T11:12:00Z) - Reducing the Sim-to-Real Gap for Event Cameras [64.89183456212069]
イベントカメラは、非同期でピクセルごとの明るさ変化を報告し、非並列の低レイテンシで「イベント」と呼ばれるパラダイムシフトする新しいセンサーである。
近年の研究では、コンボリューショナルニューラルネットワーク(CNN)を用いて、映像再構成とイベントによる光学的流れを実証している。
既存のビデオ再構成ネットワークの性能を20～40%向上させるイベントベースCNNのトレーニングデータ改善戦略を提案する。
論文 参考訳（メタデータ） (2020-03-20T02:44:29Z) - Learning to Deblur and Generate High Frame Rate Video with an Event
Camera [0.0]
イベントカメラは、高速なシーンを記録する際に、動きのぼやけに悩まされない。
従来型のカメラの難読化タスクを、イベントによって指示され、残留学習タスクとなるように定式化する。
本稿では,デブロアリングと高フレームレートビデオ生成タスクを効果的に学習するネットワークアーキテクチャを提案する。
論文 参考訳（メタデータ） (2020-03-02T13:02:05Z)
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。