本论文针对基于 egomotion 的模糊图像在目标检测中的困难,探讨了图片去模糊、纹理多尺度处理、标签生成、针对运动模糊的条件处理等五种方法,发现自定义标签生成能明显提高目标检测的效果,同时针对特定类型的运动模糊训练模型也能获得显著提高。通过在 COCO 数据集和真实世界数据集上实验,最终得到了一个易于实现并且具有优秀检测率的模型。
Nov, 2020
本文提出一种联合估计高度运动模糊物体的 3D 运动、3D 形状和外观的方法,并通过基于链式法则求导的逆渲染技术实现快速运动物体的去模糊和三维重建。
Nov, 2021
该研究提出了一种 PRiOr 启发的、适用于具有挑战性的模糊的 MOTION-robust 视频去模糊模型 (PROMOTION), 其中使用 3D 群卷积来有效编码异质先验信息,增强场景感知,同时减少输出的伪影,并设计表示模糊分布的先验,以更好地在时空域中处理非均匀模糊。经过大量实验证明,该方法可以在 RED 和 GoPro 数据集上实现最先进的性能,并带来机器任务收益。
Mar, 2020
该论文提出了一种基于相机曝光原理的运动模糊图像恢复方法,通过定义曝光轨迹和提出一种运动偏移估计框架,成功地恢复了包含运动信息的图像,并在图像去模糊和基于运动畸变的视频提取任务中取得了较好的性能。
Oct, 2020
提出一种基于学习的方法,通过将消除模糊与补全分离开来,实现对快速移动物体的实时检测,并在召回率、精度、轨迹估计和清晰度等方面优于其他方法。该方法可用于实时的快速移动物体检测和大视频集合的检索。
Dec, 2020
该研究提出了一种利用生成模型和自监督损失函数训练的 DeFMO 方法,在仅有单张图像和背景估计的情况下,以高速相机的子帧形式输出物体在各个位置的外观和运动状态,实现了 temporal super-resolution,效果优于现有技术并适用于真实数据。
使用多个图像进行去模糊处理的新方法,通过匹配目标图像和参考图像的局部块并融合其特征来估计清晰图像,实验证明了该方法的有效性。
Jul, 2023
本文介绍了一种使用神经网络的实时视频去模糊技术,将多个连续模糊的图像传递信息给递归神经网络来还原所需的清晰图像或视频。
Aug, 2017
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
通过使用卷积网络架构和野外实拍数据集,文章提出了一种用于图像去模糊的方法,达到了最先进的性能并解决了复杂背景下的物体遮挡问题。
Jan, 2017