Jul, 2019

非均匀盲模糊的边缘启发式生成对抗网络

PDF
TL;DR提出了一种基于边缘启发式多尺度生成对抗网络的图像去模糊方法，采用粗到细的方法进行端到端去模糊，并设计了边缘增强网络和分层内容损失函数来指导去模糊过程，在不同数据集上进行了广泛实验，取得了动态场景去模糊的最佳性能。
non-uniform blurblind deblurring methodsgan-based approachesmulti-scale generative adversarial networkhierarchical content loss function
发现论文，激发创造
  • 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

  • 使用 GAN 进行图像去模糊

    该研究论文中介绍了深度生成模型在图像去模糊中的应用，通过利用生成对抗网络以及对抗学习框架，成功地生成了清晰度更高的图像，解决了图像模糊所带来的挑战，并在实际应用中产生了明显的效果。

    Dec, 2023

  • 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

  • 动态场景去模糊的深层多尺度卷积神经网络

    本文提出了一种多尺度卷积神经网络模型，用于处理不同来源的模糊，通过使用自定义的大规模数据集训练该模型，实现了在动态场景去模糊方面的卓越性能。

    Dec, 2016

  • 循环生成对抗网络盲运动去模糊

    本研究旨在利用深度神经网络和生成对抗网络等技术解决盲运动去模糊问题，实验结果表明，我们模型在高频特征捕获能力上更具优势，并在基准数据集上取得了竞争性的性能。

    Jan, 2019

  • DeblurGAN: 使用条件对抗网络实现盲运动去模糊

    DeblurGAN 是一种基于条件 GAN 和内容损失学习的运动去模糊的端到端学习方法，能在结构相似度和视觉效果方面达到最先进的性能，同时还能提高检测运动去模糊图像的速度，而且还引入了一种新方法，通过运动去模糊合成运动模糊图像，从而实现数据增强。

    Nov, 2017

  • 真实模糊下的去模糊

    本论文提出了一种使用两个 GAN 模型的新方法，即学会如何模糊图像的深度学习模型和学习如何去模糊的深度学习模型，通过学习如何模糊图像来学习更好的图像去模糊模型，并使用相对论模糊损失来降低真实模糊与合成模糊之间的差异。实验表明，该方法在新提出的数据集和公共数据集上都取得了一致优越的定量性能和更高的感知质量。

    Apr, 2020

  • 通过 SinGAN 架构进行盲运动去模糊

    本论文提出了基于 SinGAN 框架的盲运动去模糊方法，该方法通过生成模型而不是基于训练数据的方法来还原图像。

    Nov, 2020

  • DW-GAN：一种用于非均质去雾的离散小波变换 GAN

    提出了一种基于 2D 离散小波变换的去雾网络 (DW-GAN)，在 DWT 分支中利用小波变换来保留更多高频信息，采用 ImageNet 预训练的 Res2Net 来提高网络的泛化能力，并通过基于补丁的鉴别器来减少图像恢复的伪影，该方法在定量和定性上优于现有的去雾方法。

    Apr, 2021

  • 模糊、噪声和压缩鲁棒性生成对抗网络

    提出了 Blur, Noise, and Compression Robust GAN (BNCR-GAN)，它可以在不知道降解参数的情况下直接从退化图像中学习干净图像，同时适用于不可逆降解，例如模糊、压缩和混合。该算法通过掩码架构调整数据驱动的降解强度值，并引入自适应一致性损失来抑制模糊、噪声和压缩组合的不确定性。经过大规模比较研究和广泛分析，我们证明了 BNCR-GAN 的有效性，并证明了其在图像恢复中的适用性。

    Mar, 2020