Blind Image Deblurring using FFT-ReLU with Deep Learning Pipeline Integration

要約

ブラインド画像のブラー除去は、ぼやけた画像から鮮明な画像とブラー カーネルを導き出すプロセスです。
ぼやけた画像は通常、鮮明な画像とブラー カーネルの畳み込みとしてモデル化されるため、ブラインド画像のぼけ除去を効果的に実行するには未知のブラー カーネルを推定する必要があります。
既存のアプローチは主に、顕著なエッジ、暗いチャネル、明るい縞などの画像のドメイン固有の特徴に焦点を当てています。
これらの特徴は、ブラー カーネルの推定を強化するための確率的事前分布として機能します。
一般性を向上させるために、画像のすべての分布 (自然、顔、テキスト、低照度、飽和など) にわたってブラー カーネルを効果的に推定する新しい事前分布 (ReLU スパース事前分布) を提案します。
私たちのアプローチは、PSNR、SSIM、およびエラー率メトリクスの高精度を維持しながら、推論時間が最大 3 倍速くなり、優れた効率を示します。
また、私たちの方法を後処理ユニットとして使用した場合、深層学習ベースのアプローチにおける最先端のアーキテクチャのパフォーマンス (前述のメトリクスの点で) が顕著に向上していることも観察されています。

要約(オリジナル)

Blind image deblurring is the process of deriving a sharp image and a blur kernel from a blurred image. Blurry images are typically modeled as the convolution of a sharp image with a blur kernel, necessitating the estimation of the unknown blur kernel to perform blind image deblurring effectively. Existing approaches primarily focus on domain-specific features of images, such as salient edges, dark channels, and light streaks. These features serve as probabilistic priors to enhance the estimation of the blur kernel. For improved generality, we propose a novel prior (ReLU sparsity prior) that estimates blur kernel effectively across all distributions of images (natural, facial, text, low-light, saturated etc). Our approach demonstrates superior efficiency, with inference times up to three times faster, while maintaining high accuracy in PSNR, SSIM, and error ratio metrics. We also observe noticeable improvement in the performance of the state-of-the-art architectures (in terms of aforementioned metrics) in deep learning based approaches when our method is used as a post-processing unit.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google