基于字典的去除失焦模糊方法
这篇论文描述了一种名为 BLADE 的基于 RAISR 方法的可训练的自适应滤波框架,其可应用于图像处理及计算摄影的各种问题,包括去噪、去马赛克和图像风格化等。
Nov, 2017
本文讨论了评估去模糊方法质量的挑战,并提出了一种基于机器学习的降低参考度量。我们创造了一个新的运动模糊数据集,使用梁分束器,以各种运动类型为特征。我们进行了两次大规模主观比较,以帮助指标开发,并且我们的度量结果不需要 GT 框架,并且与人类对模糊的主观感觉有很好的相关性。
May, 2023
该研究介绍了一种优化的框架,用于联合处理焦点去模糊(重新聚焦)和视频超分辨率(VSR)的任务。该方法利用新颖的映射引导变换器和图像传播,有效地利用焦点模糊的连续空间变化,并修复录像。还引入了一种流重新聚焦模块,以有效地对齐模糊和清晰领域之间的相关特征。此外,提出了一种生成合成焦点模糊数据的新技术,扩展了模型的学习能力,包括更广泛的内容。该研究通过对 DAVIS-Blur 数据集进行综合实验,证明了该方法的优越性。与现有的视频恢复方法相比,我们的方法平均峰值信噪比性能提高了 1.9dB 以上,达到了最先进的结果。我们的源代码将在此 https URL 中提供。
Jul, 2024
该研究提出了一种高效的盲恢复方法,利用基于梯度分布的图像模糊估计算法并结合多次应用来去除自然图像中的轻微模糊,取得了比传统和现代盲去模糊方法更好的效果,可以在现代手机上以秒为单位的时间内对 12MP 图像进行模糊校正,为应用深度超分辨率技术提供了更优的图像处理前处理。
Dec, 2020
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
本研究提出了一种 Single Image Super-Resolution 的解决方案,可以在保证低复杂度的前提下,通过训练数据来学习一组 filter,使得对于一张不在训练集中的图片,可以生成更高分辨率、更高质量的图片;同时该方法还包括了一种有效的图像锐化算法,可以作为预处理步骤来提高下采样放大滤波器的学习效果。
Jun, 2016
通过引入两个包含非对焦散焦的新数据集 NYUv2-BSR 和 Cityscapes-BSR,分析不具有空间不变性的空间变异性使传统的盲超分辨率 (SR) 方法性能严重下降,并设计了一种新的 CMOS 网络来同时估计图像的位置不变性和语境,实验结果表明了其方法优于目前技术的传统方法。
Apr, 2023
本文提出了一种更复杂但实用的退化模型,其中包括随机混合的模糊,下采样和噪声退化,以达到改善单图超分辨率方法的实用性的目的。实验结果表明,这个新的退化模型可以显著改善深度超分辨率方法的实用性,为真实的单图超分辨率应用提供了一种强有力的替代解决方案。
Mar, 2021
该论文提出了一种通过利用反模糊的方法实现对动态场景的去模糊,使用两种类型的重新模糊损失函数进行更好的去模糊,并通过实验证明其有效性。
Apr, 2021