Recommandé
Contenu connexe
En vedette
En vedette (16)
Similaire à 関東CV勉強会ECCV2014 （Blind Deblurring using Internal Patch Recurrence）
Similaire à 関東CV勉強会ECCV2014 （Blind Deblurring using Internal Patch Recurrence） (18)
関東CV勉強会ECCV2014 （Blind Deblurring using Internal Patch Recurrence）
- 1. 1 関東CV勉強会2014年12月6日 ECCV 2014論文紹介 Blind Deblurring using Internal Patch Recurrence 解説者 東京大学博士1年 tackson某
- 2. 2 発表者プロフィール • 略歴 – 東京高専から東大工学部に２年次編入 – 学部：セグメンテーション – 修士：ステレオ – 博士：３次元復元（勉強会発表本日２回目） • 興味のある分野 – ３次元形状復元・ステレオ – MRF最適化・グラフカット – セグメンテーション • Twitterアカウント
- 3. 3 Blind Deblurring using Internal Patch Recurrence Tomer Michaeli Michal Irani Weizmann Institute of Science, ISRAEL ECCV 2014 Oral Paper Vision系というより Signal Processing系の人
- 4. 4 Blind Deblurring using Internal Patch Recurrence ECCV 2014 Oral Paper
- 5. 5 念のための確認… ✖ デブ・ブラー ✖ 手ブラ 〇デブラー
- 6. 6 念のための確認… ✖ デブ・ブラー ✖ 手ブラ 〇デブラー
- 7. 7 Blind Deblurring/Deconvolution 観測されたBlur画像Blur kernel Sharp画像 （ﾋﾟﾝﾎﾞｹ・手ぶれ） 풚 = 풌 ∗ 풙 + 풏 푦 푘 푥 ノイズ 推定 入力 Blind Deblurring ≒ Sharp画像に対するPriorの違い ex) Gradient Sparsity [Levin/Krishnan, CVPR 09,11] [Fergus/Shan, ToG 06, 08] ex) Patch Similarity [Sun+ ICCP 13]
- 8. 8 Patch Similarity Prior [Sun+ ICCP 13] Blur画像External Sharp Patch Pool Sharp Pool 中の 最近傍パッチ Blur画像中の パッチ Query Query 近づける ※ 実際のパッチは5x5 くらい BlurパッチがSharpパッチに近くなるようにDeblur
- 10. Internal Patch Recurrence Prior （提10 案） 対象画像α 倍縮小した画像 Query Sharp画像に対するPrior 最近傍 もしBlurナシなら同じパッチが縮小画像に存在 近づける 実際は… ＝ Blur 画像だとα倍sharp なパッチが存在 ≠ 縮小画像とのパッチ類似度を最大化するようにDeblur
- 11. 11 念のための確認… 某KB画像でなくても 幅広く成り立つPriorです [Glasner+ ICCV 09] （超解像論文）によれば 90%のパッチ（5x5サイズ）は Sharpな自然画像 そのまま 縮小画像で10 回以上現れる （つまりこちらも5x5 パッチ） 3/4倍縮小した画像
- 12. 12 実際の画像例
- 13. 13 提案手法：コスト関数 푦 푘 푥 푥 훼 入力Blur画像推定Kernel 推定Sharp 画像 α 倍に縮小した 推定Sharp 画像 データ項 Internal Patch Recurrence Prior 項 Kernel Prior 項 min 푘 , 푥 푦 − 푘 ∗ 푥 2 + 휆1 휌 푥 , 푥 훼 + 휆2 푘 2
- 14. 14 提案手法：アルゴリズム Internal Patch Recurrence Prior 項 min 푘 , 푥 푦 − 푘 ∗ 푥 2 + 휆1 휌 푥 , 푥 훼 + 휆2 푘 2 Initialize: 푘 ← 훿, 푥 ← 푦 푥 훼 ← 푠ℎ푟푖푛푘훼 푥 min 푦 − 푘 ∗ 푥 푥 2 + 휆1 휌 푥 , 푥 훼 + 휆2 푘 2 min 푘 푦 − 푘 ∗ 푥 2 + 휆1 휌 푥 , 푥 훼 + 휆2 푘 2 Repeat Until Convergence Kernel データ項Prior 項
- 15. 15 提案手法：アルゴリズム詳細 α 倍sharp に 푥 훼 ← 푠ℎ푟푖푛푘훼 푥 min 푘 푦 − 푘 ∗ 푥 2 + 휆1 휌 푥 , 푥 훼 + 휆2 푘 2 Repeat Until Convergence 推定画像풙 α 縮小画像풙 휶 α 倍sharp なパッチ 近づける さらにα 倍sharp なパッチ 近づける min 푥 푦 − 푘 ∗ 푥 2 + 휆1 휌 푥 , 푥 훼 + 휆2 푘 2 α 倍sharp に
- 16. 16 EXPERIMENTS
- 17. 17 Gradient Sparsity External Patch Internal Patch ※ 黄色数値はエラー値（Non-Blind手法[Zoran+ ICCV 11] との相対的な誤差）
- 18. 18 グラフ：横軸Error Rate以下の画像の割合 Internal Patch External Patch Patch-base ではない 入力画像 ・630枚 ・だいたい1024x768 ・最大27x27 のblur 提案手法は非常にロバスト（失敗時のエラーが小さい）
- 19. 19 青数値：１以下→改善 １以上→改悪 “失敗例”（各手法のworst case）の比較
- 20. 20 Additional Results from Supplementary Material http://www.wisdom.weizmann.ac.il/~vision/BlindDeblur.html http://www.wisdom.weizmann.ac.il/~vision/BlindDeblur/VisualComparisons_ECCV2014.pdf
- 21. 21 Conclusions • Internal Patch Recurrence Prior: Image Deblurring のための強力なPrior • blind deblur手法のstate-of-the-art と同等の性能 • 他の手法より非常にロバスト その他 • 著者ページに実行可能コード有り（ただし実装隠蔽MATLABコード） • 最適化や実装の詳細は大幅に省いています – FFTで高速化 – Image Pyramid つくってCoarse-to-Fineに（高速化＋局所解回避） – Aliasingの議論 – 超解像との根本的な違い • 著者のオーラル発表がわかりやすい！（指導教員の紹介） http://videolectures.net/eccv2014_michaeli_blind_deblurring/
- 22. 22 Paper Summary