ICCVApr, 2019

视频去模糊的时空自适应滤波网络

PDF
TL;DR提出了一种基于 STFAN、FAC 层和重构网络的视频去模糊算法，该算法能够对存在空间变异的模糊进行对齐和去模糊，实验结果表明该算法在准确性、速度和模型大小等方面均超过当前最先进的方法。
video deblurringoptical flowspatio-temporal filter adaptive networkfilter adaptive convolutional layerreconstruction network
发现论文，激发创造
  • 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

  • 基于动态时间混合网络的在线视频去模糊

    提出了一种基于时空循环网络的在线视频去模糊方法，可以实时处理，通过引入动态时间混合来强制执行连续帧之间的时间一致性，在大范围内解决相机抖动和快速移动对象造成的模糊问题，并在实验评估中表现出优越性。

    Apr, 2017

  • 时序锐度先验下级联深度视频去模糊

    本文提出了一种用于视频去模糊的简单而有效的深度卷积神经网络模型，该模型由中间潜在帧的光流估计和潜在帧恢复步骤组成，并开发了时间锐度先验以控制其性能表现。研究结果表明，该算法在基准数据集和实际视频上的表现优于现有的最先进方法。

    Apr, 2020

  • 迭代滤波自适应网络用于单张图像的散焦去模糊

    我们提出了一种新的端到端学习方法，用于单幅图像的散焦去模糊。该方法配备有一个新型的迭代滤波自适应网络 (IFAN)，专门设计用于处理空间变化和大的散焦模糊，并且在现实场景中达到了最先进的性能表现。

    Aug, 2021

  • 视频去模糊的对抗时空学习

    利用改进的 3D 卷积对空间和时间领域进行联合建模，进而提高视频去模糊性能，在 GAN 模型中使用内容和对抗损失函数对模型进行训练，并称其为 DBLRGAN 模型，测试结果最先进。

    Mar, 2018

  • 模糊感知时空稀疏变压器用于视频去模糊

    提出了一种名为 BSSTNet 的模型，它通过引入模糊图，将初始的密集注意力转化为稀疏形式，从而更全面地利用整个视频序列中的信息。BSSTNet 在变换器中使用了更长的时间窗口，利用较远帧中的信息来修复当前帧中的模糊像素，同时引入了由模糊图引导的双向特征传播，降低了由模糊帧引起的错误累积。实验结果表明，提出的 BSSTNet 在 GoPro 和 DVD 数据集上优于现有的方法。

    Jun, 2024

  • 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

  • 动态场景普适视频去模糊

    提出了一种基于双向光流的能量模型，用于处理动态场景中的模糊视频，从而实现去模糊与准确光流估计。

    Jul, 2015

  • 面向运动自适应去模糊的空间注意力补丁分层网络

    该研究提出了一种用于处理动态场景运动去模糊的有效像素自适应和特征关注设计，并使用有效的内容感知全局 - 局部过滤器模块，通过动态利用相邻像素信息和全局依赖性来显著提高性能，从而 surpassed 其他先前的去模糊方法。

    Apr, 2020

  • 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