《SRN-DeblurNet：Scale-recurrent Network for Deep Image Deblurring》论文笔记

代码地址：SRN-DeblurNet

1. 概述

导读：图像去模糊是从粗糙到精细（coarse-to-fine）的过程，在传统方法与基于深度学习的方法中，一般使用金字塔结构中不同分辨率逐渐去重建得到清晰的图像，这篇文章也是使用这样的方式从而提出了一个新的模糊去除方法Scale-recurrent Network（SRN-DeblurNet）。相比一些现有的方法其具有结构简单、参数量少、且容易训练的特点，性能也是比较好的。

下图2中的前3幅图展示了图像处理的不同CNN网络结构，图（a）中是经典的U型结构，这个结构是文章算法采用了的；图（b）是级联形式的网络，文章采用参数共享的网络来减少参数与训练的难度，此外文章在级联出使用LSTM之类的网络进行特征提取，更好重建清晰图；图（c）是使用膨胀卷积的网络，这样回增大网络的感受野。而文章是将这些网络设计中的优点集成，从而得到这篇文章的网络结构SRN，见图（d）所示。

文章中的方法与其它的一些方法进行对比，其结果见图1所示，可以看出其重建的效果还是不错的。

2. 网络设计

2.1 网络结构

文章的网络结构见图3所示，它是一个由多个尺度图像输如构建的多层网络，类似于构建一个重构金字塔，逐级优化从而得到最后的重建清晰图。具体的网络结构见具体原文所示。

2.2 Scale-recurrent Network（SRN）

在网络中的中间数据（$h^i$）与输出数据（ I i