Nov, 2016

迭代非盲去模糊的全卷积网络学习

PDF
TL;DR本文提出了一种全卷积网络用于迭代非盲去卷积，通过将非盲去卷积问题分解成图像去噪和图像去卷积，训练 FCNN 在梯度域中消除噪声，并使用学习到的梯度来引导图像去卷积步骤，可以迭代地去模糊图像，能够学习自适应的图像先验，保持局部（细节）和全局（结构）信息，经过基准数据集的定量和定性评估表明，所提出的方法在质量和速度方面表现优异，可胜任同类算法。
fully convolutional networksnon-blind deconvolutionimage denoisingimage deconvolutionadaptive image prior
发现论文，激发创造
  • 图像反卷积的深度梯度下降优化学习

    我们提出了一种名为 Recurrent Gradient Descent Network 的深度优化方法，它使用超参数自由的更新单元和卷积神经网络来生成更新，从而学习了一种隐含的图像先验和通用的更新规则，从而在各种恶劣情况下，提高了图像恢复的质量。

    Apr, 2018

  • 盲目运动去模糊的神经网络方法

    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

  • Deep Wiener Deconvolution: 威纳滤波与深度学习相遇用于图像去模糊

    通过将 Wiener 去卷积算法与深度学习结合，提出了面向非盲目图像去模糊的一种新方法，通过特征空间中的显式去卷积过程并利用多尺度特征细化模块逐步恢复细节和小尺度结构，训练模型的结果表明，所提出的深度 Wiener 去卷积网络能够缩小众多噪点，并在真实世界图像模糊的情况下优化表现，有着显著的效果。

    Mar, 2021

  • 利用深度生成先验的盲图像去卷积

    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

  • 使用深度先验进行神经盲反卷积

    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

  • 学习去模糊

    我们描述了一种基于学习的盲图片去卷积的方法，该方法使用了深层次架构，部分来源于最近关于神经网络学习的工作，部分则包含了特定于图片去卷积的计算。该系统在一组人工生成的训练样例上进行端到端的训练，实现了在盲图片去卷积方面的竞争性表现，无论是在质量还是运行时间方面。

    Jun, 2014

  • 零尾图像恢复中的经典反卷积和特征提取的应用

    借助深度学习和经典迭代退卷积算法，本文提出了一种新颖的非盲目退卷积方法，通过预训练网络提取输入图像的深度特征，并结合迭代的 Richardson-Lucy 退卷积步骤，最终通过零样本优化过程获得高质量重建图像，加速重建并减少对计算资源的需求，并在非盲目退卷积任务的各种实际应用中展现了显著的改进。

    Oct, 2023

  • 非盲图像去模糊的端到端可解释学习

    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

  • 图像连拍去模糊的端到端学习

    本文提出了一种基于神经网络模型的多帧盲反卷积新方法，通过采用两种最近的图像去模糊技术并结合成单个神经网络结构的鉴别方法来进行图像去模糊，该混合架构结合了卷积核的显式预测和频域 Fourier 系数的非平凡平均值，为了充分利用爆发中所有图像中包含的信息，该网络嵌入较小的网络，可以在早期层中显式地允许模型在图像间传递信息，并使用一组人工生成的培训示例来进行端对端的训练，实现了多帧盲反卷积的竞争性能，既具有质量又具有运行时间。

    Jul, 2016

  • 网络反卷积

    本文讨论了卷积神经网络中重复数据学习的问题，提出了基于网络去卷积的方法，通过一系列实验发现该方法能够有效地提高模型性能并加速训练收敛速度。

    May, 2019