CVPRApr, 2019

DAVANet: 基于视角整合的立体图像去模糊算法

PDF
TL;DR本研究提出了一种新的三维立体图像去模糊网络 DAVANet，通过利用深度感知和视角聚合，结合双向视差估计和去模糊技术，有效解决动态场景中图像模糊问题，并提供了一个大型多场景数据集用于立体去模糊。实验结果表明，DAVANet 在精度、速度和模型大小方面均优于现有方法。
stereo camerasblurry imagesstereoscopic imagesdavanetmulti-scene dataset
发现论文，激发创造
  • 同时进行立体视频去模糊和场景流估计

    该研究提出一种从立体视频中去除运动模糊的新方法，通过利用场景的分块平面假设和场景流信息来去除图像模糊，可显著改善光流估计和去除运动模糊的效果。

    Apr, 2017

  • StereoDRNet：扩张残差立体网

    提出了一种使用卷积神经网络（CNN）从立体图像估计深度，利用预测的深度图进行体积融合，进而恢复场景的三维重建方法，该方法采用了新的深度细化架构，实现了先进成本滤波架构成本的近半降低，采用风暴池架构进行特征提取，该方法在多个基准数据集上均取得了领先的成果。

    Apr, 2019

  • 立体视频去模糊

    通过利用立体视频提供的 3D 场景流，利用局部共同点来建立准确的模糊核并利用推测的运动边界来减少环绕伪影，从而成功地去除低光条件下的视频模糊。

    Jul, 2016

  • 学习视差用于双目基于事件的运动去模糊

    我们提出了一种新的粗细网络框架（名为 St-EDNet），通过事件和强度相机的立体事件和强度图像，直接从不对齐的输入中恢复高质量图像，实现对运动模糊的补充和重建。

    Sep, 2023

  • Du$^2$Net: 双摄像头和双像素深度估计模型学习

    本文提出了一种基于神经网络的方法，将双目摄像机的立体匹配与双像素传感器的立体匹配相结合，以实现精准的景深图像，避免了前人研究中存在的模糊和匹配错误等问题，该方法对计算机摄影应用具有重要意义。

    Mar, 2020

  • 使用分析 - 合成网络对图像去模糊

    在神经网络中使用分析网络和综合网络来解决盲图像去模糊问题，通过引入新的相关层并控制去模糊操作，可以实现在各种测试上的最新解模糊精度和主要运行时间的加速。

    Apr, 2020

  • 单目相机全局一致深度动态场景新视角合成

    本文提出了一种新的方法，可以从动态场景的一组图像中合成任意视角和时间的图像，通过单视图深度（DSV）和多视图立体深度（DMV）的结合，重新估计视角和时间下的一致性和深度信息，从而精确的合成真实感极强的虚拟视图。

    Apr, 2020

  • 学习盲目运动去模糊

    本文介绍了一种使用神经网络的实时视频去模糊技术，将多个连续模糊的图像传递信息给递归神经网络来还原所需的清晰图像或视频。

    Aug, 2017

  • 视频去模糊的时空可形变注意力网络

    提出了一种运用 Spatio-Temporal Deformable Attention Network (STDANet) 实现视频去模糊的方法，STDANet 不仅仅考虑图像中的流动信息，同时考虑图像中像素点的清晰度，从而使得方法得到的清晰显著提高。

    Jul, 2022

  • 从模糊的图像序列中联合估计相机姿态、深度、去模糊和超分辨率

    本研究提出了一种创新性的统一框架来解决密集深度重建、相机姿态估计、超分辨率和去模糊的四个问题，通过反映物理成像过程，我们提出了一个成本最小化问题，并使用交替优化技术来解决它，实验结果表明，我们的提出方法在合成和现实视频中均得到高质量的深度图，同时还产生了优秀的去模糊和超分辨率图像。

    Sep, 2017