AAAIDec, 2021

使用多尺度双向传播的深度循环神经网络用于视频去模糊

PDF
TL;DR使用多尺度双向传播的循环神经网络，提出一种解决视频去模糊的方案，并通过自行创建的真实世界数据集进行验证。
video deblurringneural networkmulti-scalepropagationreal-world dataset
发现论文，激发创造
  • 实际应用视频去模糊：基准数据集和高效循环神经网络

    本文提出了一种基于残差稠密块和全局时空注意力模块的实时视频去模糊方法 (ESTRNN)，并提供了一个新颖的真实世界基准数据集 (BSD)，实验证明该方法在低计算成本下可以达到更好的去模糊效果比合成数据集具有更高的普适性。

    Jun, 2021

  • 视频超分辨率的循环反投影网络

    提出了一种新颖的视频超分辨率方法，利用具有循环编码器 - 解码器模块的迭代背投影网络从连续视频帧中集成时空上下文信息，通过迭代反向投影框架，无需将帧堆叠在一起，实现对目标帧的高分辨率重建。

    Mar, 2019

  • 规模循环网络用于深度图像去模糊

    本文介绍了一个称为 “SRN-DeblurNet” 的规模递归网络，该方法使用金字塔不同分辨率的 “粗到细” 方法逐步恢复锐化图像，在大规模模糊数据集上进行评估，结果显示我们的方法比现有方法在定量和定性上的呈现更好。

    Feb, 2018

  • 用多时间点循环神经网络进行增量时间训练的非均匀单图像去模糊

    本研究研究了多尺度和多时间尺度方法，提出一种新的 MT-RNNs 方法，用于逐步恢复非均匀模糊单幅图像。MT 方法在 GoPro 数据集上的表现优于现有的 MS 方法，且具有更少的参数。

    Nov, 2019

  • 通过模仿向后循环模块和向前预测模块进行单向视频降噪

    本文提出了一种基于单向视频除噪的新型循环神经网络，由前向和前瞻循环模块组成，该方法采用前瞻模块从近期帧中获取信息，从历史和近期帧中获取特征并结合，使用了前向插值和提出的边界扩展来大大减轻了像素变形的问题，并使用恒定的延迟和内存消耗实现了最先进的性能。

    Apr, 2022

  • 深度盲视频超分辨率

    本文提出了基于模糊内核建模方法的深度卷积神经网络模型，用于解决视频超分辨率问题，该模型包括运动模糊估计、运动估计和潜在图像恢复模块，实验证明该算法能够生成结构更清晰、细节更好的图像，并且性能优于当前先进的方法。

    Mar, 2020

  • 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

  • 深度堆叠分层多补丁网络用于图像去模糊

    提出一种深度分层多块网络方法解决运动模糊的问题，该方法在处理 720p 图像时拥有 40 倍的加速，是首个实时的深度运动去模糊模型，并且在不同深度下适用于不同的应用场景，可以有效地避免性能饱和问题。

    Apr, 2019

  • 模糊感知时空稀疏变压器用于视频去模糊

    提出了一种名为 BSSTNet 的模型，它通过引入模糊图，将初始的密集注意力转化为稀疏形式，从而更全面地利用整个视频序列中的信息。BSSTNet 在变换器中使用了更长的时间窗口，利用较远帧中的信息来修复当前帧中的模糊像素，同时引入了由模糊图引导的双向特征传播，降低了由模糊帧引起的错误累积。实验结果表明，提出的 BSSTNet 在 GoPro 和 DVD 数据集上优于现有的方法。

    Jun, 2024

  • 基于动态时间混合网络的在线视频去模糊

    提出了一种基于时空循环网络的在线视频去模糊方法，可以实时处理，通过引入动态时间混合来强制执行连续帧之间的时间一致性，在大范围内解决相机抖动和快速移动对象造成的模糊问题，并在实验评估中表现出优越性。

    Apr, 2017