Mar, 2021

Deep Wiener Deconvolution: 威纳滤波与深度学习相遇用于图像去模糊

PDF
TL;DR通过将 Wiener 去卷积算法与深度学习结合，提出了面向非盲目图像去模糊的一种新方法，通过特征空间中的显式去卷积过程并利用多尺度特征细化模块逐步恢复细节和小尺度结构，训练模型的结果表明，所提出的深度 Wiener 去卷积网络能够缩小众多噪点，并在真实世界图像模糊的情况下优化表现，有着显著的效果。
non-blind image deblurringdeep learningwiener deconvolutionfeature refinementartifacts
发现论文，激发创造
  • 使用深度维纳 - 科尔莫戈洛夫滤波器进行显微图像恢复

    本研究提出了一种基于深度学习的图像去模糊与降噪算法，应用于显微镜下的细胞和组织图像重建中，与现有方案相比具有更好的表现和低计算复杂度。同时，也成功解决了泊松图像去模糊问题。

    Nov, 2019

  • 学习去模糊

    我们描述了一种基于学习的盲图片去卷积的方法，该方法使用了深层次架构，部分来源于最近关于神经网络学习的工作，部分则包含了特定于图片去卷积的计算。该系统在一组人工生成的训练样例上进行端到端的训练，实现了在盲图片去卷积方面的竞争性表现，无论是在质量还是运行时间方面。

    Jun, 2014

  • DeepDeblur: 快速一步模糊人脸图像复原

    我们提出了一种快速有效的一步恢复模糊人脸图像的方法，该方法基于卷积神经网络，可以处理各种大小的人脸图像，加入了光滑正则化和面部正则化来保持面部身份信息，取得了最先进的效果和提高了 100 倍的运行速度，并在人脸识别精度上有显著提高。

    Nov, 2017

  • 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

  • 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

  • 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

  • 深度图像去模糊：综述

    该论文综述了基于深度学习的图像去模糊方法，包括问题的起源、数据集、性能度量、方法分类、应用及挑战与未来方向。

    Jan, 2022

  • 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

  • 动态场景去模糊的深层多尺度卷积神经网络

    本文提出了一种多尺度卷积神经网络模型，用于处理不同来源的模糊，通过使用自定义的大规模数据集训练该模型，实现了在动态场景去模糊方面的卓越性能。

    Dec, 2016

  • 使用深度先验进行神经盲反卷积

    本文提出了两个生成网络分别为清晰图像和模糊核建模的深度先验，并提出了一种无约束神经优化解决盲解卷积问题的方法 SelfDeblur，实验结果表明相较于现有的盲解卷积方法，SelfDeblur 在定量和视觉上都取得了令人瞩目的成果。

    Aug, 2019