人类感知运动去模糊
本篇论文解决了从单一动态模糊图像恢复详细运动信息的挑战性问题,其中,我们提出了一种基于运动指导表示的虚拟运动数据的解析框架,通过运用新型双阶段分解网络来实现模糊分解,具有优异的定量和定性结果。
Jul, 2022
该研究提出了一种 PRiOr 启发的、适用于具有挑战性的模糊的 MOTION-robust 视频去模糊模型 (PROMOTION), 其中使用 3D 群卷积来有效编码异质先验信息,增强场景感知,同时减少输出的伪影,并设计表示模糊分布的先验,以更好地在时空域中处理非均匀模糊。经过大量实验证明,该方法可以在 RED 和 GoPro 数据集上实现最先进的性能,并带来机器任务收益。
Mar, 2020
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
设计了一个端到端的自动编码器网络来提取运动模糊图像中的视频信息,生成具有时间上连续性的清晰图片序列,同时实现了实时的单张图像去模糊操作,结果表明我们的方法在精度、速度和紧凑性方面均优于现有方法。
Apr, 2018
本文提出一种可微分的重新模糊模型,支持自我监督的运动去模糊,通过利用从连续图像中获取的运动线索,将去模糊问题突破为反渲染问题,包括使用卷积神经网络和真实数据集进行实验,并证明单幅图像自我监督去模糊是可行的,能够实现视觉上令人满意的结果。
Feb, 2020
通过创建第一个真实的本地运动模糊数据集(ReLoBlur),并提出了一个基于 ReLoBlur 的本地模糊感知门控网络(LBAG)和几种本地模糊感知技术,以解决现有模糊方法无法很好处理物体局部移动模糊问题的问题。
Apr, 2022
本文提出了一种端到端学习框架,利用真实世界的事件减轻数据不一致性造成的性能下降,在光流的帮助下利用模糊一致性和亮度一致性实现了自监督,提出了分段线性运动模型以考虑运动的非线性,加强了对真实场景中运动模糊形成的准确建模,并在合成和真实运动模糊数据集上进行充分评估,显示了在真实世界情境中差距较大的模拟和真实运动模糊之间的良好表现。
Sep, 2021
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