贝叶斯盲卷积再审视
本文研究了基于 MAP 优化的盲反卷积方法,提出了一种改进的能量函数,更清晰地揭示了盲反卷积的工作方式,并且说明该能量函数在特定条件下实际上可以支持正确的解决方法,为比较不同的模糊核的质量提供了一种方法,并且在选择模糊核的大小、使用光线估计模糊核和估计焦点方面也有应用。
Nov, 2016
本文提出了两个生成网络分别为清晰图像和模糊核建模的深度先验,并提出了一种无约束神经优化解决盲解卷积问题的方法 SelfDeblur,实验结果表明相较于现有的盲解卷积方法,SelfDeblur 在定量和视觉上都取得了令人瞩目的成果。
Aug, 2019
本文对图像去模糊技术的最新发展,包括非盲目 / 盲目、空间不变 / 变异去模糊技术进行了综述,通过分析现有方法如何处理去模糊任务中的病态问题,将现有方法分为五类:贝叶斯推断框架、变分方法、稀疏表示方法、单应性建模和区域方法。虽然这些方法已经取得了一定的发展,但是图像去模糊,特别是盲目情况下,受到复杂的应用条件的限制,使得模糊核很难获取。本文针对这一问题进行了系统的综述,并提出了未来的发展方向。
Sep, 2014
本文提出的 VDIP-TGV 模型将总体广义变分正规化与 VDIP 相结合,通过 TGV 补充额外的梯度信息,有效地恢复图像边缘和细节。此模型通过交替方向乘法器方法(ADMM)求解,定量和定性实验证明了 VDIP-TGV 优于各种最先进的模型。
Oct, 2023
本文介绍了一种基于图的盲图像去模糊算法,该算法通过将图像块解释为加权图上的信号来解决盲图像去模糊问题。该算法可通过稳健的滤波和尖锐度提升等优秀性能有效恢复出潜在的清晰图像,并在质量和数量上优于现有的方法。
Feb, 2018
该论文提出了一种使用深度生成网络作为先验进行盲图像去卷积(盲去模糊)的新方法,通过使用两个单独的生成模型以及卷积网络,我们提出了一种交替梯度下降方案,可在较大的模糊和噪声下获得有希望的去模糊结果,最终在更加多样化的自然图像数据集上获得了扩展应用。
Feb, 2018
本篇论文提出了一种用于图像去模糊的简单而高效的算法,其通过预处理 Richardson 解算器,使用模糊核和自然图像先验核的近似逆滤波器,以卷积的形式代替通用的线性预处理器,可以实现图像间高效的参数共享;同时利用 CNN 嵌入学习预处理器与辅助变量的 proximal operator,进一步提高了算法的鲁棒性与准确性,使其成为非盲目图像去模糊领域中性能更出色的算法。
Jul, 2020
本文提出了一种基于自相关的相位图像的频域方法,直接从运动模式中提取高质量的模糊核,在加入对模糊核和潜在图像的正则化约束下,优化求解模糊核和清晰图像的问题,从而实现图像去模糊。此方法可处理空间变化和非均匀模糊,并在合成和真实数据上得到了良好的结果。
Nov, 2018
本文提出了一种基于数据驱动的判别性先验的有效盲图像去模糊方法,通过深度卷积神经网络学习得到的固定分类器可以帮助在不同场景下的图像去模糊,同时使用半二次分离法和梯度下降算法解决非线性问题。
Mar, 2018