既脱春火的博客

本文不同的是，它合成的模糊图片是向真实模糊图片靠近的模糊图片，也就是说，从神经网络的角度靠近了合成模糊图片与真实模糊图片的距离（现在想想，这一创新，直白来讲就是用神经网络合成模糊图片，之前模糊图片大都是根据估计的模糊核来生成）。为了使得生成的图片更加接近真实的图片，这里就提出了一种RBL损失达成这一目标，更具体的来讲，它是为了使得合成的模糊图片真实概率接近0.5，使得真实模糊图片也接近0.5，达到所谓的将0push到0.5，将1pull到0.5。不同的是，去掉了其中的BN层（增加计算量并且降低最终效果）

未来的工作包括改进处理大的和不均匀的模糊核的性能，并减轻面部对齐的要求。从任务目标角度上讲，这部分任务是要训练一个网络，使得其能够对一张模糊图片中人脸的五官进行定位，将所属像素进行分割，和分割任务极像。的框架构建鉴别器，由于我们的目的就是要生成清晰图片，因此只要最好得到一个性能良好的生成器即可，因此只需要更新生成器网络部分，即仅需要生成器部分的损失。这一点的设计，首先是充分考虑了任务的需要，简化了问题，但就对人脸去模糊这一问题来说，应该不难想到，应该是首次提出了这种做法。就得到了响应关键点的损失。...

仔细考虑这个观点，这里说的参数一致更谨慎地来说应该是去模糊的过程是一致，而对特征提取这一块的参数应该没有特殊要求，特征提取模块能够适应不同尺度输入的图片，这无可厚非，因此，就出现了本文的参数选择性共享方案。所谓的变换模块实际上是有四个处理单元，每个处理单元中有两个卷积层，因此一个变换模块有8个卷积层，每一阶段中有一个特征提取层，即一个卷积层，两个变换模块，共16层。其具体实现的方式就是先用不共享参数的模块提取不同尺度的特征，然后运用共享参数的模块来对特征进行相同的从模糊到清晰的变换。

每个轨迹矢量是复值矢量，其对应于在连续域中跟随2D随机运动的对象的离散位置。轨迹生成是通过马尔可夫过程完成的，总结在算法1中。轨迹的下一个点的位置是基于先前的点速度和位置，高斯扰动，脉冲扰动和确定性惯性分量随机生成的。经核验，第三个池化层标号为27，前三层卷积层刚好是25（1），16（2），14（3）。限制所采取的强制裁剪进行改进，转成添加一项正则项，对权重进行惩罚，使得梯度维持在1附近。之间，采用的方法就是超出区间去边界的方法。的基础上改进，改进的地方就是对满足。的前15层网络的输出，再计算。...

CNNMAP。

运动模糊视频去模糊兼插值

人类感知运动去模糊

提出了一种网络架构。

在选用水平还是垂直方向作为参数也是有考究的，这里采用的学习水平方向特征的参数，原因在于水平方向上学习到的模糊信号更强（水平方向上相机可以旋转360度，竖直方向上很少有旋转360度的情况）。两种情况下唯一不同的就是学到的特征重建是水平方向和竖直方向，这样的操作可以强制两个解码器分享信息，分享除了轴线方向外的信息，也就是去模糊的信息，网络可以专注于消除模糊分量。更值得注意的是，本文提出的结构在整体上仍是一个残差学习的过程，以前的网络有在中间应用残差学习，但整体上仍是图像重建的过程。

图像去模糊是将输入的模糊图像，恢复成清晰的图像。模糊的种类可以分为：运动模糊、失焦模糊、高斯模糊和混合模糊。现实中多是运动模糊、失焦模糊和混合模糊。运动模糊又可以分为相机运动和物体运动两种模糊，其中物体运动造成的模糊，静止的背景往往认为是清晰的。与此同时，构建出模糊核。...

本篇论文在归纳时，仍将当前基于CNN的去模糊方法归纳为两种形式，多尺度和尺度递归。认为这两种方案是将”从粗到精”方案扩展到深度CNN场景。

geometric self-ensemble指测试时，把图像90度旋转以及翻转，总共有8种不同的图像，分别进网络然后变换回原始位置，8张图像再取平均。这样可以使测试结果有略微提高，详见论文。