論文の概要: FlashReFocus: Interactive Image Refocusing in Seconds

• arxiv url: http://arxiv.org/abs/2610.23297v1
• Date: Fri, 16 Oct 2026 11:04:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 00:56:07.896847
• Title: FlashReFocus: Interactive Image Refocusing in Seconds
• Title（参考訳）: FlashReFocus: インタラクティブなイメージリフォーカス
• Abstract要約: 単像再焦点は撮影後の焦点面と被写界深度を変化させる。 しかし、最近の生成法では、編集毎に大きな拡散モデルを再実行している。 本稿では,写真毎の拡散を1回行い,編集毎に軽量なネットワークでレンダリングするFlashReFocusを提案する。
• 参考スコア（独自算出の注目度）: 28.169660230181382
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Single-image refocusing changes the focal plane and depth of field of a photograph after capture. It is inherently interactive: users try many focal points and blur strengths on one image, so each edit should be fast and change only the blur. Recent generative methods, however, rerun large diffusion models for every edit. We observe that the two sub-problems differ in kind: recovering the all-in-focus image is ill-posed and needs a generative prior, whereas rendering blur is largely determined by depth and the focal plane. We therefore propose FlashReFocus, which runs diffusion once per photograph and renders every edit with a lightweight network. To address the ill-posed restoration, a one-step diffusion deblurrer with a decoder refiner recovers fine detail efficiently while balancing fidelity and perceptual quality. For precise control, the renderer is conditioned on an explicit defocus map and uses defocus-bias attention, which lets pixels at similar defocus share information without interference from pixels at other depths; in-focus content stays unchanged, and editing the map yields tilt-shift and two focal planes. To further test generalization to unseen cameras, we collect 3CReal, a three-camera benchmark of 89 pairs. FlashReFocus achieves the best perceptual fidelity for zero-shot bokeh rendering on EBB! and 3CReal, refocuses 148.3x faster than GenRefocus, and takes about half a second per further edit, 462x faster.
• Abstract（参考訳）: 単像再焦点は撮影後の焦点面と被写界深度を変化させる。 ユーザーはフォーカスポイントをたくさん試し、1つの画像で強みをぼかすので、各編集は高速で、ぼやけだけを変える必要がある。 しかし、最近の生成法では、編集毎に大きな拡散モデルを再実行している。 これら2つのサブプロブレムは,全焦点画像の復元に悪影響を及ぼし,生成前処理が必要であるのに対して,レンダリングのぼかしは奥行きや焦点面によって大きく決定される。 そこで我々は,写真毎の拡散を1回行い,編集毎に軽量なネットワークでレンダリングするFlashReFocusを提案する。 不正な復元に対処するため、デコーダ精製器付きワンステップ拡散消臭器は、忠実さと知覚品質のバランスを保ちながら、細部を効率よく回収する。 正確な制御のために、レンダラーは明示的なデフォーカスマップに条件付けされ、デフォーカスバイアスアテンションを使用し、同じデフォーカスの画素が他の深さの画素から干渉することなく情報を共有する。 未確認カメラへのさらなる一般化をテストするために,89対の3カメラベンチマークである3CRealを収集した。 FlashReFocus は EBB! と 3CReal のゼロショットボケレンダリングにおいて最高の知覚的忠実さを達成し、GenRefocus よりも148.3倍高速で再フォーカスし、さらに編集すると約半秒で462倍高速である。

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)
• Learning to Refocus with Video Diffusion Models [10.749713029715226]
  本稿では,映像拡散モデルを用いた現実的な撮影後再焦点のための新しい手法を提案する。 単一の非焦点画像から,ビデオシーケンスとして表現された知覚的精度の高い焦点スタックを生成する。 提案手法は,難解なシナリオにまたがる知覚的品質と堅牢性の両方において,既存のアプローチを一貫して上回ります。
  論文  参考訳（メタデータ） (2025-12-22T19:29:57Z)
• DiffCamera: Arbitrary Refocusing on Images [55.948229011478304]
  DiffCameraは、任意の新しいフォーカスポイントとぼやけレベルに条件付けされた生成画像のフレキシブルな再フォーカスを可能にするモデルである。 DiffCameraは、さまざまな場面で安定したリフォーカスをサポートし、写真や生成AIアプリケーションのためのDoF調整を前例のないコントロールを提供する。
  論文  参考訳（メタデータ） (2025-09-30T17:48:23Z)
• 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)
• Defocus Map Estimation and Deblurring from a Single Dual-Pixel Image [54.10957300181677]
  本稿では,1枚のデュアルピクセルイメージを入力として,画像のデフォーカスマップを同時に推定する手法を提案する。 本手法は,デフォーカスマップ推定とぼかし除去の両方において,教師なしでも事前作業を改善する。
  論文  参考訳（メタデータ） (2021-10-12T00:09:07Z)
• Single image deep defocus estimation and its applications [82.93345261434943]
  画像パッチを20レベルの曖昧さの1つに分類するために、ディープニューラルネットワークをトレーニングします。 トレーニングされたモデルは、反復重み付きガイドフィルタを適用して改善するパッチのぼかしを決定するために使用される。 その結果、デフォーカスマップは各ピクセルのぼやけた度合いの情報を運ぶ。
  論文  参考訳（メタデータ） (2021-07-30T06:18:16Z)
• Defocus Blur Detection via Depth Distillation [64.78779830554731]
  初めてDBDに深度情報を導入します。 より詳しくは, 地底の真理と, 十分に訓練された深度推定ネットワークから抽出した深度から, デフォーカスのぼかしを学習する。 我々の手法は、2つの一般的なデータセット上で11の最先端の手法より優れています。
  論文  参考訳（メタデータ） (2020-07-16T04:58:09Z)
• Defocus Deblurring Using Dual-Pixel Data [41.201653787083735]
  デフォーカスのぼかしは、広い開口部の使用により被写界深度が浅い画像に現れる。 最新のカメラで検出されるデュアルピクセル(DP)センサで利用可能なデータを活用する,効果的なデフォーカスデブロリング手法を提案する。
  論文  参考訳（メタデータ） (2020-05-01T10:38:00Z)

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。