Related work
•Image Deblurring 根据先验假设模糊核->CNN对模糊核进行估计->端到端的无内核清晰图像估计->GAN用于去模糊
•Generative adversarial networks Least Squares GANs discriminator提供了更平滑和不饱和的梯度 Relativistic GAN估计给定的真实样本比假样本更真实的概率
Contribution
•Framework Level Feature Pyramid Network(FPN) A relativistic discriminator with a least-square loss
•Backbone Level Inception ResNet-v2 MobileNet MobileNet-DSC
•Experiment Level faster
Technical architectureDouble-Scale RaGAN-LS Discriminator
•GoPro dataset 3214个图像对,2103对用于训练,1111对用于评估
•DVD dataset 71个真实世界的视频,平均短曝光近似长曝光,生成了6708个合成的图像对
•NFS dataset 75个视频,另外还有从别的设备中获取的25个序列
Analysis
对比:
•->FPN的引入,特征重用减少参数,加快速度
•WGAN->相对GAN和最小二乘GAN,更稳定的训练,从而可以选择轻量级网络,加快速度
•PatchGAN->全局和局部PatchGAN,增加准确度 启发:
•注重loss的设置,L1,L2更注重像素级,会导致模糊,加一个可以使边缘锐化的loss?
•学习残差