读论文：Scale-recurrent Network for Deep Image Deblurring

    图像去模糊是图像领域一个经久不衰的挑战。近年来，有很多论文聚焦于深度学习算法去模糊工作。如标题所述的论文发表于2018年的 CVPR，是这方面的一个典型工作。我们来看看作者做了些什么？

1 使用的数据

    go pro 公开数据集。总共包含3214组模糊/清晰数据集。

    实际模型的输入数据为，从每个输入 batch 的 tensor 矩阵中随机剪裁成 256 *256 的 tensor 输入网络，所以每轮 epoch 下来用到的训练数据是不一样的。

2 网络结构

    整个网络结构如下图所示：

    

    其特点在于：

• 多尺度缩放（图像在输入网络前进行缩放，最后叠加不同尺度下的 loss 作为总 loss）；
• 借鉴了 UNet 的结构，保留了浅层的特征信息；
• 编码解码中，采用了 ResBlock，有助于特征提取和梯度传递；
• 采用了 LSTM 的结构（这可能增加了模型的非线性，但我个人认为作用可能不大）；

    另外我没看懂粉红色实线的上采样操作，似乎开源代码中也没有显示（如果我理解有误，请读者更正）？

3 损失函数

    采用了 L2 损失函数。

4 效果

    论文效果看着还行，但估计应用到业界依然很有难度。