CVPRApr, 2020

真实模糊下的去模糊

PDF
TL;DR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。
deep learningimage deblurringgan modelsreal-world scenariosquantitative performance
发现论文，激发创造
  • 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

  • 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

  • 学习图像去模糊的逼真模糊合成

    本文分析了真实模糊图像与合成模糊图像之间的差异性，并提出了 RSBlur 数据集及新颖的模糊合成流程，可以更好的训练和提高真实图像的去模糊性能。

    Feb, 2022

  • 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

  • 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

  • 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

  • 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

  • DeblurGAN-v2: 更快、更好的去模糊（数量级）

    DeblurGAN-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。

    Aug, 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

  • 实际场景的深度局部运动去模糊

    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