Real-World Blur Dataset for Learning and Benchmarking Deblurring Algorithms

Real-World Blur Dataset for Learning and Benchmarking Deblurring Algorithms

这是一篇ECCV2020的数据集论文，主要贡献是提出了一个真实世界糊涂图像的数据集，算是一个“挖坑”工作。

简单解释一下这里所说的“挖坑工作”：

科研工作可以大致分为两种：定义问题（挖坑）和解决问题（埋坑）。绝大多数人会选择“新”的方式来解决已有问题这个叫埋坑，埋掉前人挖出来的坑；另外一种就是定义一个新的问题，交给后人去解决，比较有代表性的就是ImageNet了，这篇论文大概也可以算得上挖坑。

感觉挖坑要比埋坑有性价比的多~

GitHub：RealBlur

先从标题看，标题其实只有一个关键词Real-World

因为去模糊领域里，从传统方法到深度学习方法，实际上并没有真的需要被去模糊的图片。因为如果用真实的图片作为模糊图片去训练的话，那去哪里找可供参考的GT呢？，没有GT也就无从计算loss了。当下去模糊领域两个常用的数据集GOPRO数据集和REDS数据集都是Nah提出的，都是用高速相机照出不模糊的图像，然后在这个基础上处理成模糊的图像，原图像拿来做GT，这就出现一个问题，你怎么保证你处理出来的模糊图像更符合现实世界的模糊图像。

大家的解决思路有两点，其一是学习生成更符合现实世界的模糊图像：

比如CVPR2020优图实验室的这篇，他们的思路是通过两个GAN，一个来生成更符合真实世界的模糊图像，一个用来学习去模糊。相比DeblurGan有了一定的进步（DeblurGan的思路是只考虑的用GAN来学习去模糊）。

其二就是能不能直接通过相机拍摄出现实世界的模糊图像呢：

最早的想法是能不能通过长、短焦距的镜头来拍摄图像对，或者普通相机和高速相机的图像对来做blur image和GT呢，那样的话就涉及图片对齐的问题了，这篇论文其实也就是这样的想法，

<