利用深度生成先验的盲图像去卷积

Feb, 2018

利用深度生成先验的盲图像去卷积

Blind Image Deconvolution using Deep Generative Priors

Muhammad Asim, Fahad Shamshad, Ali Ahmed

TL;DR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。

Abstract

This paper proposes a novel approach to regularize the \textit{ill-posed} and \textit{non-linear} blind image deconvolution (blind deblurring) using deep generative networks as priors. We employ two separate generative models --- one trained to produce sharp images while the other trained to generate blur kernels from lower-dimensional parameters. To deblur,

blind deconvolution deep generative networks image deblurring generative priors convolutional networks

发现论文，激发创造

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

学习盲图像去模糊的判别先验

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

使用 GAN 进行盲去模糊

本文通过尝试不同的 GAN 结构和对现有结构的各种修改来提高其在监督去模糊中的性能，其中包括使用注意力模块和残差连接，同时添加经典损失函数（L1，L2 和感知损失）来训练 GAN，以及采用反馈模块以保留长期依赖关系。

Jul, 2019

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

基于深度学习算子求解成像反问题中的歧义性

本文提出了几种方法来提高基于深度学习的图像去模糊的稳定性，包括使用小型神经模型和引入预处理步骤。数值实验证实了这些方法的精度和稳定性，尤其是基于模型的框架在视觉精度和鲁棒性之间提供了最可靠的平衡。

May, 2023

具有深度残差先验的不确定性感知无监督图像去模糊

提出了一种具有半盲视觉效果的无监督图像去模糊算法，利用定制且未经训练的深度神经网络提出一种数据集自由的深度残差先验方法来解决内核误差的挑战，通过交替极小化算法对模型进行优化，该方法相比数据驱动和模型驱动方法具有更高的图像质量和内核误差鲁棒性。

Oct, 2022

深度生成滤波器用于运动去模糊

本文提出了一种新颖的基于生成对抗网络（GAN）的深度滤波器，其与全局跳跃连接和密集结构相集成，以解决由于相机和物体之间的相对运动引起的运动模糊问题。在不需要进行模糊核估计的情况下，我们的模型显著减少了测试时间，证明了该方法在定量和定性上均胜过现有的盲去模糊算法，具有实际应用前景。

Sep, 2017

深度图像先验的贝叶斯视角

本文介绍了自然图像的一种先验算法 —— 深度图像先验，它使用卷积神经网络对随机输入进行输出，通过使用梯度下降来调整网络参数以使输出匹配观测值。该方法在一系列图像重建任务中表现良好。同时通过推导得出结论，该算法渐近等于一个平稳的高斯过程，这启发了贝叶斯推断的方法。通过使用随机梯度 Langevin 对后验推断实现去除过早终止的需要，并在去噪和修补任务中提高了结果表现。我们在一些一维和二维信号重建任务中验证了这些算法的实用价值。

Apr, 2019

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

深度图像先验

本文研究了深度卷积神经网络用于图像生成和修复的方法，以及使用神经网络作为手工先验的能力，展示了这种方法在标准的逆问题中的卓越效果以及在检测深度神经网络表示和基于闪光和非闪光输入对图像进行修复方面的同等效果。

Nov, 2017