ECCVJul, 2020

非盲图像去模糊的端到端可解释学习

PDF
TL;DR本篇论文提出了一种用于图像去模糊的简单而高效的算法，其通过预处理 Richardson 解算器，使用模糊核和自然图像先验核的近似逆滤波器，以卷积的形式代替通用的线性预处理器，可以实现图像间高效的参数共享；同时利用 CNN 嵌入学习预处理器与辅助变量的 proximal operator，进一步提高了算法的鲁棒性与准确性，使其成为非盲目图像去模糊领域中性能更出色的算法。
non-blind image deblurringhalf-quadratic splittingrichardson solverpreconditioningcnn embeddings
发现论文，激发创造
  • 利用深度生成先验的盲图像去卷积

    该论文提出了一种使用深度生成网络作为先验进行盲图像去卷积（盲去模糊）的新方法，通过使用两个单独的生成模型以及卷积网络，我们提出了一种交替梯度下降方案，可在较大的模糊和噪声下获得有希望的去模糊结果，最终在更加多样化的自然图像数据集上获得了扩展应用。

    Feb, 2018

  • 学习盲图像去模糊的判别先验

    本文提出了一种基于数据驱动的判别性先验的有效盲图像去模糊方法，通过深度卷积神经网络学习得到的固定分类器可以帮助在不同场景下的图像去模糊，同时使用半二次分离法和梯度下降算法解决非线性问题。

    Mar, 2018

  • 基于 FFT-ReLU 的盲图像去模糊及其深度学习管线集成

    图像盲去模糊是从模糊图像中提取出清晰图像和模糊核的过程。本研究提出了一种新的先验（ReLU 稀疏性先验），能够在各种图像分布（自然图像、人脸图像、文本图像、低光图像、饱和图像等）上有效地估计模糊核。我们的方法在 PSNR、SSIM 和错误比等度量指标上保持高准确性的同时，推断时间比现有方法快三倍。当将我们的方法用作后处理单元时，可观察到在基于深度学习的方法中最先进的架构性能上的显著改进。

    Jun, 2024

  • 基于深度学习算子求解成像反问题中的歧义性

    本文提出了几种方法来提高基于深度学习的图像去模糊的稳定性，包括使用小型神经模型和引入预处理步骤。数值实验证实了这些方法的精度和稳定性，尤其是基于模型的框架在视觉精度和鲁棒性之间提供了最可靠的平衡。

    May, 2023

  • 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

  • 图像去模糊技术的最新进展

    本文对图像去模糊技术的最新发展，包括非盲目 / 盲目、空间不变 / 变异去模糊技术进行了综述，通过分析现有方法如何处理去模糊任务中的病态问题，将现有方法分为五类：贝叶斯推断框架、变分方法、稀疏表示方法、单应性建模和区域方法。虽然这些方法已经取得了一定的发展，但是图像去模糊，特别是盲目情况下，受到复杂的应用条件的限制，使得模糊核很难获取。本文针对这一问题进行了系统的综述，并提出了未来的发展方向。

    Sep, 2014

  • 基于图像的单张照片盲图像去模糊

    本文介绍了一种基于图的盲图像去模糊算法，该算法通过将图像块解释为加权图上的信号来解决盲图像去模糊问题。该算法可通过稳健的滤波和尖锐度提升等优秀性能有效恢复出潜在的清晰图像，并在质量和数量上优于现有的方法。

    Feb, 2018

  • 迭代非盲去模糊的全卷积网络学习

    本文提出了一种全卷积网络用于迭代非盲去卷积，通过将非盲去卷积问题分解成图像去噪和图像去卷积，训练 FCNN 在梯度域中消除噪声，并使用学习到的梯度来引导图像去卷积步骤，可以迭代地去模糊图像，能够学习自适应的图像先验，保持局部（细节）和全局（结构）信息，经过基准数据集的定量和定性评估表明，所提出的方法在质量和速度方面表现优异，可胜任同类算法。

    Nov, 2016

  • 具有深度残差先验的不确定性感知无监督图像去模糊

    提出了一种具有半盲视觉效果的无监督图像去模糊算法，利用定制且未经训练的深度神经网络提出一种数据集自由的深度残差先验方法来解决内核误差的挑战，通过交替极小化算法对模型进行优化，该方法相比数据驱动和模型驱动方法具有更高的图像质量和内核误差鲁棒性。

    Oct, 2022

  • 图像复原中的同时保真与正则化学习

    本文介绍了一种用于图像恢复的方法，在部分已知或精度不高的退化模型下，我们在最大后验框架中提出了一种系统的算法来处理。通过一组残缺和完整的图像对进行参数化和学习，同时学习正则化项，形成一个同时的保真度和正则化学习模型，有效地处理了图像去噪和去雨痕等问题。

    Apr, 2018