学习卷积神经网络用于非均匀运动模糊去除
基于深度学习的运动模糊估计与非盲解卷积方法的学习式去模糊提供了使用前向退化模型的明确定义规范,同时实现了算法的泛化和可解释性,并通过基于卷积的非均匀运动模糊降级模型进行训练和评估,展示了准确的模糊估计以及优于现有端到端深度学习方法的真实模糊图像恢复效果。
Aug, 2023
研究了一种使用神经网络进行盲运动去模糊的新方法,该网络通过学习预测一个去卷积滤波器的复傅里叶系数来计算从未知运动核产生的模糊图像。该方法在 GPU 硬件上的并行性能优异,并且展现出接近现有最先进迭代方法的精度和鲁棒性。
Mar, 2016
本文提出一种使用深度学习从数据中学习先验的方法来消除运动模糊,通过学习运动流代替复杂的先验模型,使用全卷积神经网络从运动模糊图像中直接估计运动流并恢复图像,通过在合成运动流图像对上训练,绕过了手动标注的流程,实际测试中优于现有方法。
Dec, 2016
该研究论文提出了一种处理动态场景运动去模糊问题的方法,通过像素自适应和特征注意设计以及内容感知的全局 - 局部滤波模块和像素自适应的非均匀采样策略,在去模糊的基准测试中与现有方法进行了广泛的定性和定量比较,取得了优异的性能。
Feb, 2024
本文提出一种可微分的重新模糊模型,支持自我监督的运动去模糊,通过利用从连续图像中获取的运动线索,将去模糊问题突破为反渲染问题,包括使用卷积神经网络和真实数据集进行实验,并证明单幅图像自我监督去模糊是可行的,能够实现视觉上令人满意的结果。
Feb, 2020
本研究提出了使用深度神经网络结构 DeblurRNN 和 DeblurMerger 分别以序列和并行的方式利用成对图像中的噪声 / 模糊信息进行去模糊。使用梯度损失、对抗损失和谱归一化来提高训练。经过对合成数据集 GOPRO 和真实图像对的评估,结果表明所提出的方法在定性和定量上均优于现有技术。
Nov, 2019
本文提出了一种卷积神经网络用于从视频中提取密集的光流,旨在为深度架构构建潜在的模块,以允许在视频中使用运动而无需借助外部算法,通过考虑信号处理原则构建网络结构,强制 “旋转不变性”,并提供一种分布式表示运动的方法。
Jan, 2016