人脸运动去模糊
本文提出了一种基于领域特定的方法来解决人脸去模糊问题,使用深度网络和人脸对齐来处理每张图片,并采用了有效的方法生成了超过 2 百万帧的数据集,实验显示该方法在真实世界的人脸去模糊任务中取得了接近于高清自然图片的效果。
Apr, 2017
本文综述了近六年来深度学习在盲运动去模糊中的应用,包括数据集、评估指标和方法的全面概述。通过对不同基本网络的分类和总结,详细探讨了它们的优点和局限性,并进行了最新方法的定性和定量实验结果比较。最后,针对现有挑战和未来路径进行了分析。
Jan, 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
本文提出了一种端到端学习框架,利用真实世界的事件减轻数据不一致性造成的性能下降,在光流的帮助下利用模糊一致性和亮度一致性实现了自监督,提出了分段线性运动模型以考虑运动的非线性,加强了对真实场景中运动模糊形成的准确建模,并在合成和真实运动模糊数据集上进行充分评估,显示了在真实世界情境中差距较大的模拟和真实运动模糊之间的良好表现。
Sep, 2021
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
本文提出了一种基于三重编码器 - 解码器架构并具有人类感知去模糊模型,其将前景和背景的运动模糊进行解耦,并利用监督的人类感知注意机制来进一步提高效果,同时引入一个名为 HIDE 的大规模数据集。实验结果表明,该模型在去除运动模糊的语义细节方面表现出色。
Jan, 2020
本文提出了一种使用深度卷积神经网络通过利用语义线索进行有效高效人脸去模糊的算法。该算法利用面部语义标签作为输入信息,并提出一种自适应结构损失来规范面部局部结构。实验结果表明,该方法在还原质量、人脸识别和执行速度方面的表现优于最先进的方法。
Jan, 2020