CVPROct, 2022

具有深度残差先验的不确定性感知无监督图像去模糊

PDF
TL;DR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。
semi-blind deblurringdeep residual prioruntrained deep neural networkalternating minimization algorithmkernel error
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

  • 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

  • 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

  • 基于噪声和卷积核详尽退化建模的盲图像超分辨率

    本研究提出了一种基于概率框架的盲超分辨率图像重建方法，针对复杂的噪声和模糊核问题，该方法采用了非独立同分布的噪声模型和一种新颖的模糊核生成器来增加模型的自由度。经过综合实验，该方法在合成数据集和真实数据集上均优于当前最先进的技术。

    Jul, 2021

  • 非盲图像去模糊的端到端可解释学习

    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。

    Jul, 2020

  • 贝叶斯深度图像先验下的医学图像去噪中的不确定性估计

    通过随机初始化卷积网络对图像进行参数化并执行梯度下降，以匹配观察结果的方法来量化反向医学成像任务中的不确定性，扩展到带有蒙特卡罗失活的贝叶斯方法，实现对预测不确定性的可靠估计，解决了大型数据集上深度神经网络出现幻觉和制品所带来的问题。

    Aug, 2020

  • 盲目图像超分辨率的深度约束最小二乘法

    本文提出一种盲图像超分辨率的新方法，使用重新构建的退化模型和两个新模块，通过对内核估计和内核基于高分辨率图像恢复的改进，实现更好的准确性和视觉改进，并在多个基准测试中进行了验证。

    Feb, 2022

  • 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

  • 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

  • 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