Pesquisadores do Google desenvolveram recentemente uma nova técnica para sintetizar uma imagem borrada em movimento, usando um par de imagens não desfocadas capturadas em sucessão. Em seu jornal, pré-publicado em arXiv , os pesquisadores delinearam sua abordagem e a avaliaram em relação a vários métodos de linha de base.

O desfoque de movimento ocorre naturalmente quando os objetos em uma cena ou a própria câmera se movem enquanto uma imagem é capturada. Isso resulta em objetos em movimento ou a imagem inteira parecendo borrada. Em alguns casos, o desfoque de movimento pode ser usado para indicar a velocidade de um assunto fotografado ou para separá-lo do fundo.

"O desfoque de movimento é uma dica valiosa no contexto da compreensão da imagem, "Tim Brooks e Jonathan Barron, os pesquisadores que realizaram o estudo, escreveu em seu jornal. "Dada uma única imagem contendo desfoque de movimento, pode-se estimar a direção relativa e a magnitude do movimento da cena que resultou no desfoque observado. Esta estimativa de movimento pode ser semanticamente significativa, ou pode ser usado por um algoritmo de desfoque para sintetizar uma imagem nítida. "

Uma pesquisa recente investigou o uso de algoritmos de aprendizado profundo para remover borrões de movimento indesejados de imagens ou para inferir a dinâmica de movimento de uma determinada cena. Para treinar esses algoritmos, Contudo, os pesquisadores precisam de uma quantidade substancial de dados, que normalmente é gerado borrando sinteticamente imagens nítidas. Em última análise, até que ponto um algoritmo de aprendizado profundo pode efetivamente remover o borrão de movimento em imagens reais depende muito do realismo dos dados sintéticos usados ​​para treiná-lo.

"Nesse artigo, tratamos o inverso desta tarefa de estimativa / remoção de borrão bem estudada como um problema de primeira classe, "Brooks e Barron escreveram em seu artigo." Apresentamos uma maneira rápida e eficaz de sintetizar os dados de treinamento necessários para treinar um algoritmo de desfoque de movimento, e demonstramos quantitativamente que nossa técnica generaliza de nossos dados de treinamento sintético para imagens reais borradas por movimento. "

A arquitetura da rede neural desenvolvida por Brooks e Barron inclui uma nova camada de "previsão de linha", que ensina um sistema a regredir de pares de imagens de imagens tomadas consecutivamente para uma imagem borrada de movimento que abrange o tempo de captura dessas duas imagens de entrada. Seu modelo requer uma grande quantidade de dados de treinamento, então os pesquisadores projetaram e executaram uma estratégia que usa técnicas de interpolação de quadros para gerar um grande conjunto de dados sintéticos de imagens borradas em movimento, junto com suas respectivas entradas.

Brooks e Barron também capturaram um conjunto de teste de alta qualidade de imagens borradas em movimento real sintetizadas a partir de vídeos em câmera lenta e, em seguida, usaram isso para avaliar seu modelo em relação às técnicas básicas. Seu modelo alcançou resultados muito promissores, superando as abordagens existentes em precisão e velocidade.

"Nossa abordagem é rápida, preciso, e usa imagens prontamente disponíveis de vídeos ou 'bursts' como entrada, e assim fornece um caminho para permitir a manipulação de desfoque de movimento em aplicativos de fotografia de consumo, e para sintetizar os dados de treinamento realistas necessários por algoritmos de remoção de borrão ou de estimativa de movimento, "escreveram os pesquisadores em seu artigo.

Embora fotógrafos e cineastas experientes geralmente usem o desfoque de movimento como um efeito artístico, produzir fotografias efetivas com movimento borrado pode ser muito desafiador. Na maioria dos casos, essas imagens são o produto de um longo processo de tentativa e erro, exigindo habilidades e equipamentos avançados.

Devido às dificuldades em obter efeitos de desfoque de movimento de qualidade, a maioria das câmeras de consumo são projetadas para tirar fotos com o mínimo de desfoque de movimento possível. Isso significa que os fotógrafos amadores têm muito pouco espaço para fazer experiências com o desfoque de movimento em suas imagens.

"Ao permitir que imagens desfocadas de movimento sejam sintetizadas a partir das imagens convencionais não desfocadas que são capturadas por câmeras de consumo padrão, nossa técnica permite que não especialistas criem imagens desfocadas em um ambiente pós-captura, "os pesquisadores explicaram em seu artigo.

Em última análise, a abordagem desenvolvida por Brooks e Barron pode ter várias aplicações interessantes. Por exemplo, pode tornar o borrão de movimento artístico acessível a fotógrafos casuais, while also generating more realistic motion blurred images to train deep learning algorithms.

© 2018 Science X Network