変分深層画像事前を用いたブラインド画像デコンボリューション【JST・京大機械翻訳】

Huo Dong; Masoumzadeh Abbas; Kushol Rafsanjany; Yang Yee-Hong

プレプリント

J-GLOBAL ID：202202214226123649 整理番号：22P0282791

変分深層画像事前を用いたブラインド画像デコンボリューション【JST・京大機械翻訳】

Blind Image Deconvolution Using Variational Deep Image Prior

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (4件)： , , ,
資料名：
発行年： 2022年01月31日プレプリントサーバーでの情報更新日： 2023年06月05日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

従来のデコンボリューション法は,最適化を制約するために手作業画像を利用する。深層学習ベースの方法はエンドツーエンド訓練による最適化を単純化するが,訓練データセットにおいて不鮮明なぼけを一般化するのに失敗する。したがって,訓練画像特異的モデルはより高い一般化にとって重要である。深層画像事前(DIP)は,最大事後(MAP)による単一劣化画像によるランダム初期化ネットワークの重みを最適化するためのアプローチを提供し,ネットワークのアーキテクチャが手作業画像として機能できることを示した。統計的に得られる従来の手作業画像とは異なって,画像とそれらの対応するネットワークアーキテクチャの間の関係が不明瞭であるので,適切なネットワークアーキテクチャを見つけるのは難しい。結果として,ネットワークアーキテクチャは,潜在シャープ画像に対して十分な制約を提供できない。本論文では,ブラインド画像デコンボリューション用の新しい変分深層画像事前(VDIP)を提案し,それは,潜在シャープ画像上の付加的手作業画像を利用して,各画素に対する分布を近似し,最適以下の解を回避した。著者らの数学的解析は,提案方法が最適化をよりよく制約できることを示した。実験結果は,さらに,生成された画像がベンチマークデータセットに関して元のDIPのものより良い品質を有することを示した。VDIPのソースコードはhttps://github.com/Dong Huo/VDIP Deconvolutionで利用可能である。【JST・京大機械翻訳】

, , , , , , , , , , , , ,
, , , , 【Automatic Indexing@JST】

図形・画像処理一般

, , ,

前のページに戻る