ICCVSep, 2019
深度视频去模糊:细节决定成败
Deep Video Deblurring: The Devil is in the Details
Jochen Gast, Stefan Roth
TL;DR使用简单的基准卷积神经网络进行视频去模糊可以达到非常好的效果,但需要特别关注模型和训练过程中的细节,通过对这些关键细节的研究,可以将性能提升 3.15dB 以上,使其与最新的网络架构相媲美。
Abstract
video deblurring for hand-held cameras is a challenging task, since the
underlying blur is caused by both camera shake and object motion.
State-of-the-art →
发现论文,激发创造
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
细节之魔归来:深入探究卷积神经网络
本文通过严格的评估探索了不同的深度学习架构,比较它们在公共领域的性能,并识别和披露了重要的实现细节,同时指出了 CNN 基础表示的几个有用属性,包括输出层维度可以显著降低而不会对性能产生不利影响,以及深浅层方法可以成功共享的方面。
May, 2014
深度语义人脸去模糊
本文提出了一种通过深度卷积神经网络 (CNN) 利用语义线索来实现有效和高效的人脸去模糊算法。该算法通过全局语义先验作为输入,并在多尺度深度 CNN 中施加局部结构损失来规范输出,以训练具有感知和对抗性损失的神经网络,生成逼真的人脸去模糊结果,评估表明该算法在人脸去模糊的质量、人脸识别和执行速度方面表现良好。
Mar, 2018
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
深度神经图像去模糊的综合调查
深度神经网络在图像去模糊领域取得了重大突破,本文综述了盲目和非盲目图像去模糊中最流行的深度神经网络结构、性能指标和广泛使用的数据集,并讨论了该领域的当前挑战和研究空白,提出了未来研究的潜在方向。
Oct, 2023
深度盲视频超分辨率
本文提出了基于模糊内核建模方法的深度卷积神经网络模型,用于解决视频超分辨率问题,该模型包括运动模糊估计、运动估计和潜在图像恢复模块,实验证明该算法能够生成结构更清晰、细节更好的图像,并且性能优于当前先进的方法。
Mar, 2020