深度视频去模糊
使用简单的基准卷积神经网络进行视频去模糊可以达到非常好的效果,但需要特别关注模型和训练过程中的细节,通过对这些关键细节的研究,可以将性能提升 3.15dB 以上,使其与最新的网络架构相媲美。
Sep, 2019
本研究提出了一种利用图像深度信息,共同估计 6 自由度运动(6 DoF)相机运动和去除由于相机运动引起的不均匀模糊的方法,并将其制定为能量最小化问题,该方法能有效地解决相机抖动时的图像模糊问题。
Mar, 2019
本文提出了一种基于事件相机的深度学习方法,通过卷积循环神经网络和可微分方向事件过滤模块整合全局和局部尺度的视觉和时态知识,提取边界先验信息,从而达到了恢复运动模糊图像的最佳质量,适用于真实世界的运动模糊问题。
Apr, 2020
本文提出了一种基于学习的方法,利用自监督学习优化现有的去模糊神经网络,通过强制输出与输入模糊图像匹配的光流,从而改善现有方法在多个数据集上的性能表现,同时保证了输出结果更贴近于潜在图像的内容。
Jan, 2018
本文提出了一种从单张运动模糊图像中提取视频序列的方法,使用深度学习方案逐步重构时间排序。该方法可以成功地从单张运动模糊的图像中检索到清晰的图像序列,可以在不同的相机捕捉到的合成和真实数据集上很好地推广。
Apr, 2018
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
该研究提出了一种 PRiOr 启发的、适用于具有挑战性的模糊的 MOTION-robust 视频去模糊模型 (PROMOTION), 其中使用 3D 群卷积来有效编码异质先验信息,增强场景感知,同时减少输出的伪影,并设计表示模糊分布的先验,以更好地在时空域中处理非均匀模糊。经过大量实验证明,该方法可以在 RED 和 GoPro 数据集上实现最先进的性能,并带来机器任务收益。
Mar, 2020