抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
ブラインドデコンボリューションは,多くの実世界アプリケーションによる古典的だが挑戦的な低レベルビジョン問題である。伝統的最大事後(MAP)ベースの方法は,確かにクリーン画像とぼけカーネルを特徴付けるのに不十分であり,通常,自明な解を避けるために特別に設計された交互最小化を採用する,固定と手作りの事前に頼っている。対照的に,既存の深い動きぼけネットワークは,大規模訓練画像から学習し,画像やぼけカーネルをきれいにするが,様々な複雑で大きなサイズのぼけカーネルを扱うには限界がある。MAPと深層モデルを接続するために,本論文では,クリーン画像とぼけカーネルの深い事前をモデリングするための2つの生成ネットワークを提示し,ブラインドデコンボリューションに対する無制約ニューラル最適化解法を提案した。特に,潜在的クリーン画像を生成するためのスキップ接続付きの非対称オートエンコーダと,ぼけカーネルを生成するための完全接続ネットワーク(FCN)を採用した。さらに,ソフトMax非線形性をFCNの出力層に適用して,非負性と同等性制約を満たした。神経最適化のプロセスは,生成ネットワークの一種の「ゼロショット」自己監督学習として説明することができ,このように,著者らの提案方法は,自己Debedburであった。実験結果は,ベンチマークデータセットと実世界のぼけ画像に関する最先端のブラインドデコンボリューション法と比較して,著者らの自己Deburlが,顕著な定量的利得と,より視覚的に妥当なぼけぼけ結果を達成できることを示した。ソースコードはhttps://github.com/csdwren/SelfDeblurで利用可能である。【JST・京大機械翻訳】