学习合成运动模糊
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
设计了一个端到端的自动编码器网络来提取运动模糊图像中的视频信息,生成具有时间上连续性的清晰图片序列,同时实现了实时的单张图像去模糊操作,结果表明我们的方法在精度、速度和紧凑性方面均优于现有方法。
Apr, 2018
该论文介绍了一种基于编码器 - 解码器结构的视频清晰化方法,通过将视频序列和运动因素作为潜在因素,将单个模糊图像作为观察值,设计了一种损失函数和正则化器,经过大量实验验证了该方法的有效性和可转移性。
Apr, 2021
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
本研究提出了一种新的框架,该框架可以通过光流估计学习引起模糊的像素级运动,然后将已解码的特征变形以估算的光流预测多个清晰的帧,从而以一种端到端的方式从运动模糊视频中去模糊、插值和外推锐化帧。
Mar, 2021
该研究提出了一种基于事件感知的运动去模糊和帧插值的统一框架,该框架使用事件的超低延迟来缓解运动模糊并实现中间帧预测,后者可通过可学习的双重积分网络和融合网络实现。借助相邻模糊输入和同时发生的事件的信息,进一步提出了自监督学习框架,以实现对真实世界模糊视频和事件的网络训练。大量实验结果表明,该方法在合成和真实世界数据集上均取得了显著的性能优势,是一种有效的去模糊技术方案。
Mar, 2022
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