A Comparative Study for Single Image Blind Deblurring（CVPR2016）阅读笔记

A Comparative Study for Single Image Blind Deblurring（对于单张图像盲去模糊的算法综述）
代码：https://github.com/phoenix104104/cvpr16_deblur_study
该论文的主页：http://vllab.ucmerced.edu/wlai24/cvpr16_deblur_study/

两个缺点

当下的【单张图形去模糊算法评价方法】通常有以下两个缺点：

1. 首先，合成生成的模糊图像经常无法捕获真实运动模糊降级的复杂性和特征。

   • 例如，相机运动具有6个自由度（3个平移和3个旋转），而卷积模型仅考虑平行于图像平面的2D平移[17,18]。在这些合成生成的图像中也不考虑镜头失真，传感器饱和度，非线性变换函数，噪声和相机流水线中的压缩。
   • 此外，卷积模型中的恒定场景深度假设和非均匀模糊基准[13]可能在许多不能忽略深度变化的真实场景中不成立。
   • 所以基于这些合成数据集训练出来的模型，评价方法无法正确反映出【该算法对于真实模糊图片的效果】。

2. 现有的用于量化去模糊算法质量的指标，如PSNR, SSIM等，并不能很好的与人类的感知（视觉效果）相关联。
   1. 缺乏人类感知的研究结果，使得各种去模糊算法的性能很难进行比较。
   2. 虽然已经提出了许多full-reference全参考[36,37]和no-reference无参考图像质量评价方法[19,23,24,26,27,33,47]，但尚不清楚这些评价方法是否可用于衡量去模糊的图像的质量。

Contribution

这篇paper中，我们提出一个综合性的研究以解决以上问题。我们的contribution有如下三部分：

总而言之这篇文章是用于改进评价方法，以及数据集的。而不是对去模糊算法的综述。（不知论文作者为何要取这个论文题目…也有可能是我没读完或理解错误）