[論文レビュー] Towards Universal Computational Aberration Correction in Photographic Cameras: A Comprehensive Benchmark Analysis

Xiaolong Qian, Qi Jiang+6 more|arXiv (Cornell University)|Mar 12, 2026

Image Enhancement Techniques被引用数 0

ひとこと要約

論文は普遍的 CAC のための大規模ベンチマーク UniCAC を提案し、さまざまなレンズでの CAC の難易度を定量化する Optical Degradation Evaluator (ODE) を提案、24モデルの総合評価を行う。

ABSTRACT

Prevalent Computational Aberration Correction (CAC) methods are typically tailored to specific optical systems, leading to poor generalization and labor-intensive re-training for new lenses. Developing CAC paradigms capable of generalizing across diverse photographic lenses offers a promising solution to these challenges. However, efforts to achieve such cross-lens universality within consumer photography are still in their early stages due to the lack of a comprehensive benchmark that encompasses a sufficiently wide range of optical aberrations. Furthermore, it remains unclear which specific factors influence existing CAC methods and how these factors affect their performance. In this paper, we present comprehensive experiments and evaluations involving 24 image restoration and CAC algorithms, utilizing our newly proposed UniCAC, a large-scale benchmark for photographic cameras constructed via automatic optical design. The Optical Degradation Evaluator (ODE) is introduced as a novel framework to objectively assess the difficulty of CAC tasks, offering credible quantification of optical aberrations and enabling reliable evaluation. Drawing on our comparative analysis, we identify three key factors -- prior utilization, network architecture, and training strategy -- that most significantly influence CAC performance, and further investigate their respective effects. We believe that our benchmark, dataset, and observations contribute foundational insights to related areas and lay the groundwork for future investigations. Benchmarks, codes, and Zemax files will be available at https://github.com/XiaolongQian/UniCAC.

研究の動機と目的

• unseen lenses in consumer photography に対して generalize する universal CAC を動機付ける。
• 自動光学設計による diverse spherical および aspherical designs を含む large-scale lens library である UniCACLib を構築する。
• ODE を提案し、画像忠実度と光学品質指標を統合して CAC の難易度を定量化する。
• さまざまな再構成・CAC モデルを評価し、性能に影響を与える要因を特定する。
• universal CAC を改善するための priors、アーキテクチャ、学習戦略のガイダンスを提供する。

提案手法

• UniCACLib の設計のために OptiFusion を拡張して diverse spherical および aspherical lenses を設計する。
• CAC の難易度を ODE（Optical Degradation Evaluator）を用いて、OIQ、空間均一性、チャネル均一性を組み合わせて定量化する。
• UniCACLib からレンズをサンプリングして ODE ベースの five degradation levels を形成し、ベンチマークに用いる。
• varying aberration severities および色収差条件の下で、24 の CAC および IR モデルを UniCACLib 上で評価し、複数の指標を報告する。
• 整体パフォーマンス（OP）スコアを計算して、画像忠実度、光学品質、知覚品質のバランスを取る。

実験結果

リサーチクエスチョン

• RQ1 unseen lenses へ retraining せずに universal CAC モデルはどの程度 generalize できるか？
• RQ2 diverse designs に渡る CAC パフォーマンスに最も影響を与えるレンズ要因と priors は何か？
• RQ3 異なるモデルアーキテクチャと学習パラダイムは、異なる aberration severities と chromatic conditions の下でどう適合するか？
• RQ4 ODE は CAC の難易度を信頼性高く定量化し、レンズ間で意味のあるベンチマークを導くか？

主な発見

• 学習ベースの手法は CAC タスクで最適化ベースの手法より優れている。
• 回帰ベースの学習は画像忠実度を向上させ、GAN/拡散ベースは知覚品質で優れる。
• PSF 対応 priors（例：PART）は unseen lenses への一般化を改善し、PSF-attention は欠陥の緩和に役立つ。
• 光学 priors（OIQE）と画像 priors（コードブック、拡散 priors）は CAC の性能を大幅に向上させる。
• 拡散ベースの手法は強力な生成 priors により厳しいアバレーション下で強さを示す。
• CNN ベースのアーキテクチャは CAC 性能と速度の間で好バランスを取る。