基于基准测试、分析和结构估计的去模糊
基于 Isidoro,Romano 和 Milanfar 引入的 RAISR 算法,我们提出了一种扩展的快速准确图像超分辨率算法,用于去除失焦模糊,并定义了一个与图像感知质量相一致的锐度质量度量。此外,我们提出了一种基于资产分配管理的度量融合策略,与流行的去模糊方法相比,我们的方法平均 PSNR 增加约 13%,SSIM 增加约 10%,同时我们的融合方案减少了恢复后的环状伪影。
Jun, 2024
探索基于 transformer 的全参考图像质量评估模型的性能,并提出了一种基于半监督知识蒸馏的 IQA 方法,使用嘈杂的伪标签数据将全参考教师模型蒸馏到盲学生模型中。在 NTIRE 2022 感知图像质量评估挑战中,我们的方法取得了竞争力的结果。
Apr, 2022
本文通过对大量超分辨率图像进行人类主观研究,提出了一种基于视觉感知评分学习的无参考指标,使用空间域和频域中的三种低级统计特征对超分辨率图像上的特征进行量化,并学习了一个两阶段回归模型,无需参考基准图像即可预测超分辨率图像的质量得分,实验证明这种指标可以有效、高效地评估超分辨率图像的质量。
Dec, 2016
本文提出一种可微分的重新模糊模型,支持自我监督的运动去模糊,通过利用从连续图像中获取的运动线索,将去模糊问题突破为反渲染问题,包括使用卷积神经网络和真实数据集进行实验,并证明单幅图像自我监督去模糊是可行的,能够实现视觉上令人满意的结果。
Feb, 2020
本研究提出了一种基于最大似然估计的新方法,可以从嘈杂的原始测量中恢复主观质量分数,并联合估计受损视频的主观质量,测试对象的偏差和一致性以及视频内容的歧义性,同时提供了每个估计的置信区间的封闭形式表达式。相对于先前方法,我们的方法能够充分利用主观信息,处理不良数据并提供有关测试对象和视频内容的有趣见解。
Nov, 2016
图像到图像的转换在医学影像领域具有巨大影响,本研究介绍了用于图像合成评估的参考和非参考度量标准,并调查了九种需要参考的度量标准(SSIM、MS-SSIM、PSNR、MSE、NMSE、MAE、LPIPS、NMI 和 PCC)以及三种非参考度量标准(BLUR、MSN 和 MNG)对来自 BraSyn 数据集的 MR 图像的 11 种扭曲的检测能力。此外,还测试了下游分割度量标准和三种归一化方法(Minmax、cMinMax 和 Zscore)的影响。通过合理选择和结合图像相似性度量标准,可以改进用于 MR 图像合成的生成模型的训练和选择,在高成本的经过训练的放射科医生评估之前可以验证其输出的许多方面。
May, 2024
使用惯性测量单元数据,本文提出了一个简单而高效的框架来合成和恢复运动模糊图像,包括训练三元组的生成策略和用于恢复模糊图像的陀螺仪辅助运动去模糊网络。通过全面实验证明了该框架的优点:我们的合成和真实世界模糊轨迹之间仅有两个像素的误差,对于峰值信噪比,与最先进的去模糊方法 MIMO 相比,有明显的改善(约提高 33.17%)。
Feb, 2024
本文提出了一种基于学习的方法,利用自监督学习优化现有的去模糊神经网络,通过强制输出与输入模糊图像匹配的光流,从而改善现有方法在多个数据集上的性能表现,同时保证了输出结果更贴近于潜在图像的内容。
Jan, 2018
本研究提出了一个新的基于事件的去模糊方法,通过利用不同空间和时间尺度的运动模糊信息,构建了一个适应实际场景的多尺度网络,通过自我监督学习来提高准确性,并引入一个包含多尺度模糊帧和事件的真实世界数据集以促进事件驱动去模糊研究。
Aug, 2023