论文阅读：Deep Stacked Hierarchical Multi-patch Network for Image Deblurring

最新推荐文章于 2025-06-07 00:30:00 发布
最新推荐文章于 2025-06-07 00:30:00 发布
阅读量1.9k 收藏 24
点赞数
分类专栏： 文献阅读 图像处理 文章标签： 计算机视觉 机器学习 深度学习 图像去雨 图像处理
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/wang_chaochen/article/details/107208798
版权

这是一篇去模糊的文章，后来发现直接套用不合适，无法获取到相应的特征，遂作罢，简单记录一下。

2019 CVPR：DMPHN

这篇文章是2019CVPR的一篇去模糊方向的文章，师兄分享的时候看了一下，后来也发现这个网络结构在很多workshop以及文章中都见过。

文章：ArXiv
代码：Github
在这里插入图片描述

在去模糊领域，目前的多尺度和尺度循环模型存在一些问题：
1)由粗到细方案中的去卷积/上采样操作导致运行时间昂贵;
2)单纯的用更精细的层次来增加模型的深度并不能提高去模糊的质量。

就此，本文主要提出了一种基于空间金字塔匹配的深度层次多patch网络（a deep hierarchical multi-patch network inspired by Spatial Pyramid Matching ）通过由粗到细的层次表示来处理模糊图像。为了处理性能饱和的w.r.t.深度，还提出了多patch模型的堆叠版本。

主要创新之处：

1、首先是在获取图像多尺度方面，没有使用传统的下采样，而是直接进行切割，分块切割图像代替下采样。
这样可能会存在的问题是&#x

最低0.47元/天 解锁文章
Deep Stacked Hierarchical Multi-patch Network for Image Deblurring阅读笔记
weixin_42784951的博客
05-14 864
摘要 多尺度去模糊网络的缺点： 由粗到细的网络机制中去卷积/上采样操作消耗运行时间。 在更精细的尺度中简单的增加网络深度并不能提高去模糊的质量 作者做出的改进 为了解决上述问题，作者提出一个分层的 multi-patch 网络，改网络受空间金字塔匹配的启发，由静到粗的处理模糊图像。 为了解决性能饱和问题，作者提出了multi-patch 网络 的stacked版本 Network 作者提出的 Deep Multi-Patch Hierarchical 网络如图所示： 网络受由粗到细的特征金字塔结
Deep Stacked Hierarchical Multi-patch Network for Image Deblurring代码解读
weixin_42784951的博客
05-18 721
论文代码：https://github.com/HongguangZhang/DMPHN-cvpr19-master 论文地址：https://arxiv.org/pdf/1904.03468.pdf 论文解读：https://blog.csdn.net/weixin_42784951/article/details/106108196 文章使用 1-2-4-8 的结构模式。其中1-2-4-8 代表由粗到细网络所使用的图像块。 网络的每个层都由一对编码器/解码器组成。 通过将模糊图像输入B1分成多个不重叠的
【Deep Stacked Hierarchical Multi-patch Network for Image Deblurring】阅读笔记
既脱春火的博客
09-08 476
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。
【论文笔记】Deep Stacked Hierarchical Multi-patch Network for Image Deblurring
zhwangye的博客
06-04 3933
Deep Stacked Hierarchical Multi-patch Network for Image Deblurring 阅读笔记 Zhang, H., Dai, Y., Li, H., & Koniusz, P. (2019). Deep Stacked Hierarchical Multi-patch Network for Image Deblurring. Retri...
论文阅读笔记之——《Deep Stacked Hierarchical Multi-patch Network for Image Deblurring》
gwpscut的博客
06-20 3087
论文：https://arxiv.org/pdf/1904.03468v1.pdf 本文是做非均匀deblur的。The goal of non-uniform blind image deblurring is to remove the undesired blur caused by the camera motion and the scene dynamics 开篇作者抛出来两个问题...
Deep Stacked Hierarchical Multi-Patch Network for Image Deblurring论文阅读
最新发布
yangqoor的博客
06-07 808
底层特征提取：公式(1)特征拼接与解码：公式(2)-(5)层级间残差修正：公式(3)、(6)顶层输出：公式(9)堆叠模型损失函数：公式(11)
The Resource of Image Deblurring and Video Deblurring
大神月磨的博客
07-09 1315
参考链接：https://github.com/CVHW/Deblurring A currated list of resources for Image and Video Deblurring Single-Image-Blind-Motion-Deblurring (non-DL) 2006-TOG - Removing camera shake from a single photograph. [Paper][Code & Project page] 2007-CVPR - Si
CVPR19-Deep Stacked Hierarchical Multi-patch Network for Image Deblurring论文复现
XP and Altoria
08-09 606
CVPR19-Deep Stacked Hierarchical Multi-patch Network for Image Deblurring论文复现 该工作主要关注于利用深度网络来实现图片去模糊，这里我们针对GoPro数据集进行论文的复现。 文章给出了一种新的模型架构，来学习不同层次上的特征，并实现去模糊的效果。 首先这里我们给出整体模型的架构 如上图所示，整个模型由4个编码解码器构成，自底向上进行传播。 可以看到，从最下面的输入开始，我们将模糊的图片进行输入，会将图片分成8个区域，每个区域过编码器
Fast Deep Multi-patch Hierarchical Network for Nonhomogeneous ImageDehazing(图像去雾cvpr2020)
change_lkl的博客
12-11 1139
无
论文阅读笔记之——《Deep Multi-scale Convolutional Neural Network for Dynamic Scene Deblurring》
gwpscut的博客
06-21 5752
论文：https://arxiv.org/pdf/1612.02177.pdf 代码：https://github.com/SeungjunNah/DeepDeblur_release 代码解读https://blog.csdn.net/wm6274/article/details/71194225 数据集下载链接在上面的github里面 we propose a multi-sca...
DMPHN-cvpr19-master:CVPR19“用于图像去模糊的深层堆叠多面体分层网络”的Pytorch实现
05-01
用于图像去模糊的深度堆叠多修补程序分层网络 CVPR19“”的Pytorch实现 请将GoPro数据集下载到“ ./datas”中。 GoPro预先训练的模型存储在“ ./checkpoints”中。 需要。 pytorch-0.4.1 numpy scipy scikit-image 对于模型训练，请运行以下命令。 python xxx.py -b 6 对于模型测试，将测试样本复制到“ ./test_samples”，然后运行以下命令。 python xxx_test.py 引文 如果您认为这项工作对您的研究有用，请引用以下论文。 @InProceedings{Zhang_2019_CVPR, author = {Zhang, Hongguang and Dai, Yuchao and Li, Hongdong and Koniusz, Piotr}, title = {
Deblurring Images Matrices Spectra and Filtering
07-23
【作 者】Per Christian Hansen 【出版社】Society for Industrial and Applied Mathematic 【出版日期】October 29, 2006 【ISBN】0898716187 9780898716184 【形态项】9.8 x 6.7 x 0.3 inches 【语 言】English 【价 格】$63.00 Deblurring Images: Matrices, Spectra, and Filtering (Fundamentals of Algorithms 3) (Fundamentals of Algorithms) By Per Christian Hansen Publisher: Society for Industrial and Applied Mathematic Number Of Pages: 130 Publication Date: 2006-10-29 ISBN-10 / ASIN: 0898716187 ISBN-13 / EAN: 9780898716184 Binding: Paperback “The book’s focus on imaging problems is very unique among the competing books on inverse and ill-posed problems. …It gives a nice introduction into the MATLAB world of images and deblurring problems.” — Martin Hanke, Professor, Institut für Mathematik, Johannes-Gutenberg-Universität. When we use a camera, we want the recorded image to be a faithful representation of the scene that we see, but every image is more or less blurry. In image deblurring, the goal is to recover the original, sharp image by using a mathematical model of the blurring process. The key issue is that some information on the lost details is indeed present in the blurred image, but this “hidden” information can be recovered only if we know the details of the blurring process. Deblurring Images: Matrices, Spectra, and Filtering describes the deblurring algorithms and techniques collectively known as spectral filtering methods, in which the singular value decomposition—or a similar decomposition with spectral properties—is used to introduce the necessary regularization or filtering in the reconstructed image. The concise MATLAB® implementations described in the book provide a template of techniques that can be used to restore blurred images from many applications. This book’s treatment of image deblurring is unique in two ways: it includes algorithmic and implementation details; and by keeping the formulations in terms of matrices, vectors, and matrix computations, it makes the material accessible to a wide range of readers. Students and researchers in engineering will gain an understanding of the linear algebra behind filtering methods, while readers in applied mathematics, numerical analysis, and computational science will be exposed to modern techniques to solve realistic large-scale problems in image processing. With a focus on practical and efficient algorithms, Deblurring Images: Matrices, Spectra, and Filtering includes many examples, sample image data, and MATLAB codes that allow readers to experiment with the algorithms. It also incorporates introductory material, such as how to manipulate images within the MATLAB environment, making it a stand-alone text. Pointers to the literature are given for techniques not covered in the book. Audience This book is intended for beginners in the field of image restoration and regularization. Readers should be familiar with basic concepts of linear algebra and matrix computations, including the singular value decomposition and orthogonal transformations. A background in signal processing and a familiarity with regularization methods or with ill-posed problems are not needed. For readers who already have this knowledge, this book gives a new and practical perspective on the use of regularization methods to solve real problems. Preface; How to Get the Software; List of Symbols; Chapter 1: The Image Deblurring Problem; Chapter 2: Manipulating Images in MATLAB; Chapter 3: The Blurring Function; Chapter 4: Structured Matrix Computations; Chapter 5: SVD and Spectral Analysis; Chapter 6: Regularization by Spectral Filtering; Chapter 7: Color Images, Smoothing Norms, and Other Topics; Appendix: MATLAB Functions; Bibliography; Index
SimDeblur:SimDeblur是用于图像和视频去模糊的简单框架，由PyTorch实施
03-25
SimDeblur SimDeblur（ Sim ple Deblur环）是基于PyTorch的图像和视频去模糊工具箱的开源框架，其中包含基于深度学习的最先进的去模糊算法。 您可以轻松实现自己的图像或视频去模糊或其他恢复算法。 主要特点 模块化设计 该工具箱将去模糊的框架分解为不同的组件，并且可以通过组合不同的模块轻松地构建自定义的恢复框架。 最先进的 该工具箱包含大多数基于深度学习的最新去模糊算法，包括MSCNN，SRN，DeblurGAN，EDVR等。 分布式培训 新的功能 [2021/3/21]首次发布。 支持的方法和基准 单图像去模糊 MSCNN [，] SRN [，] DeblurGAN [，] DMPHN [，] DeblurGAN_V2 [，] SAPHN [] 视频去模糊 DBN [，] STRCNN [] DBLRNet [] EDVR [，]
图像去雾（image dehazing）近期论文简述及模型测试
热门推荐
agonysome的博客
08-17 2万+
keyword：hazy ，dehazing 1. 主要是CVPR最近两年的论文 [1] Multi-Scale Boosted Dehazing Network With Dense Feature Fusion, CVPR2020【code】 提出了一种基于U-Net架构的具有密集特征融合的多尺度增强去雾网络 [2] Domain Adaptation for Image Dehazing, CVPR2020【code】 域适应 +图像去雾，解决了大部分去雾方法在合成数据集上优秀而真实数据集上..
CVPR2020 workshop- DMPHN - 实时图像去雾算法,1200X1600速度可达69FPS
weixin_42096202的博客
06-20 4446
论文借鉴了之前Denosing算法的结构，实现了实时图像去雾模型。论文中有意思的一点，AAAI2020的SOTA算法FFA-Net在真实场景中完全失效。这已经不是该论文第一次被质疑了，现在看起来，FFA-Net的网络深度和注意力像是在RESIDE数据集上过拟合的表现，真实场景中应用没有价值。 Abstract： 最近，基于CNN的端到端深度学习方法在图像去雾方面取得了优势，但在非均匀去雾中却往往会严重失效。 除此之外，现有流行的多尺度方法耗时且内存效率低下。 在这种情况下，我们提出了一种快速的深层多块.
论文阅读笔记之——《Scale-recurrent Network for Deep Image Deblurring》
gwpscut的博客
06-21 5208
论文链接：https://arxiv.org/pdf/1802.01770.pdf 代码：https://github.com/jiangsutx/SRN-Deblur 在本论文中，我们探索了一种用于多尺度图像去模糊的更有效的网络结构。我们提出了一种新的尺度循环网络（SRN：scale-recurrent network）（we explore a more effective network...
DMPHN复现
weixin_43934777的博客
01-10 861
使用自己的数据集训练DMPHN
读论文，多区块处理：Deep Multi-Patch Aggregation Network forImage Style, Aesthetics, and Quality Estimation
daniaokuye的专栏
04-09 1313
Deep Multi-Patch Aggregation Network forImage Style, Aesthetics, and Quality Estimation 目的和一般方法想要研究图片的风格质量等，就需要细粒度fine-grained细节信息。对于本文提出的网络，使用一张图片生成的多个patches来训练。现有的方法如{24，17}，使用随机生成一个patch区块(e.g., c...
PSNR/SSIM
w18226357716的博客
02-23 976
Method 会议名称 数据集 PSNR/SSIM Domain Adaptation for Image Dehazing（图像去雾的域自适应算法） [CVPR2020] SOTS 27.76/0.93 Ultra-High-Definition ImageDehazing via Multi-Guided Bilateral...
VS Code扩展：Stacked骨架与View-ViewModel生成指南
文件名称列表中仅提供了“Stacked-master”，这表明源代码文件或者压缩包中可能包含了“Stacked”这个名称相关的主文件夹或主文件，其中可能包含了扩展的主要功能代码、资源文件等。在压缩包中，这个名称可能指的是...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值