自监督的线性运动去模糊

Feb, 2020

Self-Supervised Linear Motion Deblurring

Peidong Liu, Joel Janai, Marc Pollefeys, Torsten Sattler, Andreas Geiger

TL;DR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。

Abstract

Motion blurry images challenge many computer vision algorithms, e.g, feature detection, motion estimation, or object recognition. Deep convolutional neural networks are state-of-the-art for image deblurring. However, obtaining training data with corresponding sharp and blurry image pai

motion deblurring computer vision convolutional neural networks self-supervised learning inverse rendering

发现论文，激发创造

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

真实事件的运动去模糊

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

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

活现模糊瞬间

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

野外运动模糊矫正

通过使用卷积网络架构和野外实拍数据集，文章提出了一种用于图像去模糊的方法，达到了最先进的性能并解决了复杂背景下的物体遮挡问题。

Jan, 2017

清晰图像难以模糊化：利用病态逆问题进行动态场景去模糊

该论文提出了一种通过利用反模糊的方法实现对动态场景的去模糊，使用两种类型的重新模糊损失函数进行更好的去模糊，并通过实验证明其有效性。

Apr, 2021

深度学习在盲目运动去模糊中的应用：现状与未来展望

本文综述了近六年来深度学习在盲运动去模糊中的应用，包括数据集、评估指标和方法的全面概述。通过对不同基本网络的分类和总结，详细探讨了它们的优点和局限性，并进行了最新方法的定性和定量实验结果比较。最后，针对现有挑战和未来路径进行了分析。

Jan, 2024

学习合成运动模糊

本文通过神经网络和线性预测技术，提出了一种技术，可以从一对连续拍摄的图像中合成运动模糊图像。作者还利用了帧内插技术生成了大规模的合成数据集，并从慢动作视频中捕获了高质量的测试集。实验结果显示，本文提出的模型在精度和速度上均优于基线技术。

Nov, 2018

利用噪声 / 模糊图像对进行深度动态模糊去除

本研究提出了使用深度神经网络结构 DeblurRNN 和 DeblurMerger 分别以序列和并行的方式利用成对图像中的噪声 / 模糊信息进行去模糊。使用梯度损失、对抗损失和谱归一化来提高训练。经过对合成数据集 GOPRO 和真实图像对的评估，结果表明所提出的方法在定性和定量上均优于现有技术。

Nov, 2019

盲目运动去模糊的神经网络方法

研究了一种使用神经网络进行盲运动去模糊的新方法，该网络通过学习预测一个去卷积滤波器的复傅里叶系数来计算从未知运动核产生的模糊图像。该方法在 GPU 硬件上的并行性能优异，并且展现出接近现有最先进迭代方法的精度和鲁棒性。

Mar, 2016