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,
<