Generative Adversarial Network (GAN) based Image-Deblurring

要約

この論文では、古典的な定理と近年提案されている最先端の方法に基づいて、画像のブレ除去の困難な問題を分析します。
スペクトル分析により、スペクトル正則化手法の効果を数学的に示し、スペクトル フィルタリングの結果と正則化最適化目標の解との関連性を指摘します。
画像のブレ除去のような不適切な設定の問題の場合、最適化目標には、以前の知識をソリューションにエンコードする正則化項 (正則化汎関数とも呼ばれます) が含まれます。
最大事後推定のアイデアを使用して手動で正則化項を作成する方法を示します。
次に、そのような正則化ベースの方法の限界を指摘し、ニューラル ネットワーク ベースの方法に踏み込みます。
Wasserstein 生成的敵対モデルのアイデアに基づいて、CNN をトレーニングして正則化汎関数を学習できます。
このようなデータ駆動型のアプローチは、分析的にモデル化できない複雑さを捉えることができます。
また、近年のアーキテクチャの改良により、ネットワークはぼやけた観測を与えられたグラウンド トゥルースに近い画像を出力できるようになりました。
Generative Adversarial Network (GAN) は、この画像から画像への変換のアイデアに取り組んでいます。
Orest Kupyn らによって提案された DeblurGAN-v2 メソッドを分析します。
[14] 数値テストに基づく 2019 年。
そして、実験結果と私たちの知識に基づいて、この方法を改善するための提案をいくつか提案します。

要約(オリジナル)

This thesis analyzes the challenging problem of Image Deblurring based on classical theorems and state-of-art methods proposed in recent years. By spectral analysis we mathematically show the effective of spectral regularization methods, and point out the linking between the spectral filtering result and the solution of the regularization optimization objective. For ill-posed problems like image deblurring, the optimization objective contains a regularization term (also called the regularization functional) that encodes our prior knowledge into the solution. We demonstrate how to craft a regularization term by hand using the idea of maximum a posterior estimation. Then, we point out the limitations of such regularization-based methods, and step into the neural-network based methods. Based on the idea of Wasserstein generative adversarial models, we can train a CNN to learn the regularization functional. Such data-driven approaches are able to capture the complexity, which may not be analytically modellable. Besides, in recent years with the improvement of architectures, the network has been able to output an image closely approximating the ground truth given the blurry observation. The Generative Adversarial Network (GAN) works on this Image-to-Image translation idea. We analyze the DeblurGAN-v2 method proposed by Orest Kupyn et al. [14] in 2019 based on numerical tests. And, based on the experimental results and our knowledge, we put forward some suggestions for improvement on this method.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google