图像去模糊（1）——Blind Image Deblurring with Local Maximum Gradient Prior（CVPR2019 论文笔记）

本文信息

本文地址：http://openaccess.thecvf.com/content_CVPR_2019/papers/Chen_Blind_Image_Deblurring_With_Local_Maximum_Gradient_Prior_CVPR_2019_paper.pdf
本文材料：
http://openaccess.thecvf.com/content_CVPR_2019/supplemental/Chen_Blind_Image_Deblurring_CVPR_2019_supplemental.pdf

Abstract

图像盲去模糊的主要目标在于：当模糊核未知的时候，如何通过模糊图像恢复出清晰图像。为了解决这个ill-posed problem [1]，已经有很多大量的图像先验了。

本文提出了LMG（局部最大梯度）先验，该方法受到简单直接的观察启发，发现经过模糊处理的局部图像块的最大梯度值会显著减小，能够基于这个固有特性建立新的能量函数。

本文介绍了一个线性操作来计算局部最大梯度，搭配一个有效的优化方法，该方法可以处理很多特殊场景，包括自然场景，人脸图像，文本图像等。大量的对比实验表明，该方法在合成数据集和真实数据集上都达到了最好的效果。

Introduction

单幅图像的盲去模糊在最近几年引起很多注意。 监测相机到手持智能手机等各种照相设备在获取图像时，经常出现图像模糊。模糊处理可以被描述为，在相加曝光的时间内，由于相机和目标之间的位置平移或旋转造成的。

如果模糊核保持空间不变性，我们认为是均匀模糊，模糊操作可以为定义为卷积操作，如下：

不同的 I 和 K 可以产生相同的 B, 因此这个问题是 ill-posed 问题。

最近些年， 基于优化的方法 和 基于学习的方法 在盲去模糊中已经取得很大发展。我们首先详细介绍一下与本文有关的基于优化的方法。

Related Work

Fergus et al. [Removing camera shake from a single photograph, ACM Transactions on Graphics,25(3):787–794, 2006.] 介绍了自然图像直方图具有长尾效应，以及模糊核具有悉数特性。

Shan et al. [High-quality motion deblurring from a single image. ACM Transactions on Graphics, 27(3):73, 2008] 探索了一种新的表示，通过2个逐块连接连续函数 [By concatenating Two piece-wise continuous functions] 来解决逻辑梯度的长尾分布， 并将它与局部先验联合来去模糊。

为了加速迭代过程，Cho and Lee. [Fast motion deblurring. ACM Transactions on Graphics, 28(5):145, 2009] 采用了一种多尺度架构，利用图像梯度来进行去模糊处理，而不是基于像素值。

Xu et al. [Two-phase kernel estimation for robust motion deblurring. ECCV 2010] 发现当目标尺度小于模糊核时，Strong 边缘不能很好的被核评估改善，所以介绍了一种二阶段的方法来改善核评估步骤。

更多地， Levin et al. [Efficient marginal likelihood optimization in blind deconvolution. CVPR 2011] 提出了一种有效的方法来优化MAP(最大后验概率)架构。

Krishnan et al. [Blind deconvolution using a normalized sparsity measure. CVPR 2011] 利用L1/L2 正则化，这种正则化有利于清晰图像而不是模糊图像。

Hu et al. [Good regions to deblur. ECCV 2012] 采用有条件的随机产生架构来学习好的区域来去模糊。

Xu et al. [Unnatural L0 sparse representation for natural image deblurring. CVPR 2013] 采用非自然的L0范数稀疏表示能够有效的减少运算时间。

Gong et al. [Blind image deconvolution by automatic gradient activation. CVPR 2016] 使用梯度激活方法自动为任务选择的梯度真实图像的子集，而不是直接利用显著的