Real-World Efficient Blind Motion Deblurring via Blur Pixel Discretization

要約

最近のモバイル カメラ技術の進歩により、4K 画像などの高解像度画像をキャプチャできるようになったことで、大きな動きを処理する効率的なブレ除去モデルの需要が高まっています。
この論文では、画像の残留エラー、つまりブラーとシャープのピクセルの差が、モーション ブラーのタイプと隣接ピクセルの複雑さに応じていくつかのカテゴリにグループ化できることを発見しました。
これにヒントを得て、ブラー除去 (回帰) タスクをブラー ピクセル離散化 (ピクセル レベルのブラー分類) タスクと離散から連続への変換 (ブラー クラス マップを使用した回帰) タスクに分解します。
具体的には、ぼやけピクセルを特定することで離散化された画像残差誤差を生成し、それを連続形式に変換します。これは、連続値を使用して元の回帰問題を単純に解くよりも計算効率が高くなります。
ここで、離散化結果、つまりブラーセグメンテーションマップが画像残留誤差と視覚的に顕著な類似性を示すことがわかりました。
その結果、私たちの効率的なモデルは、現実的なベンチマークで最先端の方法と同等のパフォーマンスを示し、同時に私たちの方法は計算効率が最大 10 倍高くなります。

要約(オリジナル)

As recent advances in mobile camera technology have enabled the capability to capture high-resolution images, such as 4K images, the demand for an efficient deblurring model handling large motion has increased. In this paper, we discover that the image residual errors, i.e., blur-sharp pixel differences, can be grouped into some categories according to their motion blur type and how complex their neighboring pixels are. Inspired by this, we decompose the deblurring (regression) task into blur pixel discretization (pixel-level blur classification) and discrete-to-continuous conversion (regression with blur class map) tasks. Specifically, we generate the discretized image residual errors by identifying the blur pixels and then transform them to a continuous form, which is computationally more efficient than naively solving the original regression problem with continuous values. Here, we found that the discretization result, i.e., blur segmentation map, remarkably exhibits visual similarity with the image residual errors. As a result, our efficient model shows comparable performance to state-of-the-art methods in realistic benchmarks, while our method is up to 10 times computationally more efficient.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google