Motion Deblurring

動きによるブレの除去とは、露光中の動きでぼやけた写真や動画フレームから、より鮮明な画像を復元する処理です。手ぶれや被写体の移動によって視覚的なディテールが隣接するピクセルに広がり、エッジが筋状になります。ブレ除去では、こうした広がり方を推定して元の構造を復元することで、コンピュータービジョンにおける物体検出や光学文字認識などに画像をより有効に利用できるようにします。「Motion deblur」も同じ処理を指す名称です。

動きによるブレの発生#

カメラは露光中に光を蓄積します。その間の動きによって、シーン内の異なる位置が1枚の画像に合成されます。ブレカーネルは点像分布関数（PSF）とも呼ばれ、単一の点がどのように広がるかを表します。一定速度の直線的な動きでは、おおよそ線状のカーネルが生じます。カメラの回転や独立して動く物体では、位置によってブレが異なります。一般的な数学モデルでは、ぼやけた画像を、鮮明な画像とカーネルの畳み込みにノイズを加えたものとして表します。

動きによるブレの除去は画像復元の一種です。シャープ化は局所的なエッジコントラストを高めますが、ブレ除去では広がりが生じる前の画像を推定します。デフォーカスブレの除去はピントずれによるブレに対処し、超解像はより高い空間解像度で画像を復元します。これらのタスクは画像復元パイプラインで組み合わせて使われることがあります。

従来型手法とニューラル手法#

非ブラインドブレ除去では、指定されたブレカーネルを使用します。ブラインドブレ除去では、鮮明な画像とともに未知のブレを推定します。従来型の手法では、デコンボリューションによってブレの広がりを逆算します。Wienerフィルタリングは、正則化—安定した画像推定を優先する制約—を使い、ディテールの復元とノイズの増幅のバランスを取ります。

ニューラルネットワークは、教師あり学習を通じて、ぼやけた画像と鮮明な画像のペアから画像復元を学習できます。2016年、Ayan ChakrabartiはA Neural Approach to Blind Motion Deblurringを発表しました。この手法は、重なり合う画像パッチに適用する復元フィルターを予測し、その出力を統合してグローバルなブレカーネルを推定した後、非ブラインドデコンボリューションを実行します。これにより、学習した画像構造と動きによるブレの明示的なモデルが結び付けられます。

実行可能なデコンボリューションの例#

pip install scikit-image scipyを使ってscikit-imageとscipyをインストールします。この例では、同梱画像に水平の動きによるブレを加えた後、既知のカーネルを使ったWiener–Huntデコンボリューションを適用します。

import numpy as np
from scipy.signal import convolve2d
from skimage import data, img_as_float, restoration
from skimage.metrics import peak_signal_noise_ratio

image = img_as_float(data.camera())

# Model uniform horizontal movement over 15 pixels.
psf = np.zeros((15, 15))
psf[7, :] = 1 / 15
blurred = convolve2d(image, psf, mode="same", boundary="wrap")

restored = restoration.wiener(blurred, psf, balance=0.005)
before = peak_signal_noise_ratio(image, blurred, data_range=1)
after = peak_signal_noise_ratio(image, restored, data_range=1)
print(f"PSNR: {before:.2f} dB blurred -> {after:.2f} dB restored")

出力では、ブレ除去の前後で復元品質を比較します。ピーク信号対雑音比（PSNR）は元画像とのピクセルの一致度を測定し、値が高いほど復元誤差が小さいことを示します。

用途とトレーニングデータ#

• ドキュメント処理: ブレ除去によって、撮影されたテキストの文字のストロークを復元できます。Jinshan Pan、Zhe Hu、Zhixun Su、Ming-Hsuan Yangは2014年にテキスト専用のブレ除去手法を発表しました。この手法は輝度とエッジの特性を使ってブレを推定し、テキストの境界を復元します。
• 動的シーンの撮影: Seungjun Nah、Tae Hyun Kim、Kyoung Mu Leeが2017年に発表したGoProブレ除去データセットでは、高速動画のフレームを平均して生成したぼやけた画像と鮮明なフレームが対になっています。これらのペアは、カメラや物体の動きを復元する学習に使うトレーニングデータとなります。

動きによるブレはUltralytics YOLO26の検出にも影響します。ぼやけた入力ではpredictモードで物体を見逃すことがあり、別のブレ除去処理で復元したフレームは、他の画像と同じようにモデルに渡せます。Ultralyticsのbus.jpgサンプル画像では、61ピクセルの水平の動きによるブレを加えたところ、YOLO26nが検出した人物の数は4人から2人に減りました。

再構成品質とアーティファクト#

ブレ除去の品質は、エッジが忠実に再現されていること、テクスチャが保持されていること、動画フレーム間で結果が安定していることなどで評価します。時間的一貫性は、フレーム間の安定性を表します。動画手法では、復元の手がかりを増やすために前後のフレームを利用できます。

デコンボリューションはノイズを増幅させたり、エッジ付近に明暗が交互に現れるリンギングを生じさせたりすることがあります。フーリエ変換を用いた復元では、画像の反対側の境界に急激な不一致があると人工的な高周波成分が生じ、境界リンギングにつながります。エッジテーパリングはデコンボリューションの前にこの不連続性を軽減します。