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 h^i hi)与输出数据( I i