ICCVAug, 2019

DeblurGAN-v2: 更快、更好的去模糊（数量级）

PDF
TL;DRDeblurGAN-v2 是一种基于到相对论条件 GAN 的新型端到端生成对抗网络，其采用 Feature Pyramid Network 作为生成器中的核心构建块，在单幅图像运动去模糊方面有着很高的实用价值。
generative adversarial networkdeblurgan-v2motion deblurringfeature pyramid networkimage restoration
发现论文，激发创造
  • 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

  • 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

  • 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

  • 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

  • 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

  • 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

  • 非均匀盲模糊的边缘启发式生成对抗网络

    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。

    Jul, 2019

  • 自监督学习的视频去模糊技术：Reblur2Deblur

    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

  • 联合图像去模糊和超分辨率的门控融合网络

    本文提出了一种基于卷积神经网络的深度门控融合模型来实现含运动模糊的图像超分辨率重建，并通过将特征提取步骤拆分成两个独立任务的设计来增强模型的训练效果并提升图像分辨率预测结果。实验结果表明，该模型能够高效生成清晰的超分辨图像。

    Jul, 2018