Deep Richardson-Lucy Deconvolution for Low-Light Image Deblurring

要約

低照度条件下で撮影された画像には、ぼやけと飽和したピクセルが同時に含まれることがよくあります。
飽和ピクセルを含む画像のブレを除去するのは非常に困難です。
ダイナミック レンジが限られているため、飽和ピクセルは通常、イメージング プロセスでクリップされるため、線形ブラー モデルでモデル化することはできません。
以前の方法では、クリッピング手順を近似するために手動で設計されたスムーズ関数が使用されていました。
多くの場合、ぼけ除去プロセスには経験的に定義されたパラメータが必要ですが、異なる画像に対しては最適な選択ではない可能性があります。
この論文では、学習された潜在マップによって飽和ピクセルをモデル化するデータ駆動型アプローチを開発します。
新しいモデルに基づいて、非ブラインドぼけ除去タスクは最大事後（MAP）問題に定式化でき、潜在マップと潜在画像を反復計算することで効果的に解決できます。
具体的には、潜在マップはマップ推定ネットワーク (MEN) から学習することによって計算され、潜在イメージ推定プロセスは Richardson-Lucy (RL) ベースの更新スキームによって実装されます。
増幅アーチファクトのない高品質のぼけ除去画像を推定するために、事前推定ネットワーク (PEN) を開発して事前情報を取得し、これを RL スキームにさらに統合します。
実験結果は、提案された方法が合成画像と現実世界の画像に対して定量的および定性的に最先端のアルゴリズムに対して有利に機能することを示しています。

要約(オリジナル)

Images taken under the low-light condition often contain blur and saturated pixels at the same time. Deblurring images with saturated pixels is quite challenging. Because of the limited dynamic range, the saturated pixels are usually clipped in the imaging process and thus cannot be modeled by the linear blur model. Previous methods use manually designed smooth functions to approximate the clipping procedure. Their deblurring processes often require empirically defined parameters, which may not be the optimal choices for different images. In this paper, we develop a data-driven approach to model the saturated pixels by a learned latent map. Based on the new model, the non-blind deblurring task can be formulated into a maximum a posterior (MAP) problem, which can be effectively solved by iteratively computing the latent map and the latent image. Specifically, the latent map is computed by learning from a map estimation network (MEN), and the latent image estimation process is implemented by a Richardson-Lucy (RL)-based updating scheme. To estimate high-quality deblurred images without amplified artifacts, we develop a prior estimation network (PEN) to obtain prior information, which is further integrated into the RL scheme. Experimental results demonstrate that the proposed method performs favorably against state-of-the-art algorithms both quantitatively and qualitatively on synthetic and real-world images.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google