![f7b4237ad1a94462a71c69edf760b768.png](https://i-blog.csdnimg.cn/blog_migrate/2f1e50a6b447f91ab55783759109800a.jpeg)
![44777247ee0bdda1758f9ab08becc484.png](https://i-blog.csdnimg.cn/blog_migrate/a86dacbdeb034c3f3b09f7c026720243.png)
该文是香港中文、腾讯优图以及旷视联合发表于CVPR2018的关于图像去模糊的论文。
由于拍照过程中的抖动、焦点等问题,相机拍摄的图像往往存在模糊现象,这种模糊移除是计算机视觉领域很重要的研究课题之一。
在单帧图像去模糊问题中,由“粗到精”的方案无论是在传统的优化方法还是在深度学习方法中均取得了成功。在该文中,基于多尺度策略,作者提出一种尺度训练网络用于去模糊。相比已有的方法,SRN具有更为简单的网络架构,参数量更少,更易于训练。
在具有复杂运动的大规模模糊数据及上对所提方法进行评估,结果表明:在定量与定性方面,该方法可以取得更高质量的结果。
Abstract
作者探索了一种更有效的架构用于多尺度图像去模糊,所提出的尺度循环网络解决了CNN去模糊方法中的两个重要而常见的问题。论文的创新点主要如下:
- Scale-recurrent Structure。作者提出跨尺度权值共享方案以降低训练难度。这种处理方式的号处理有:(1) 降低参数量;(2) 集成递归模块(这些模块可以捕获跨尺度的有助于复原任务的信息)。
- Encoder-Decoder ResBlock Network。直接应用编解码架构并不能产生最优结果。作者所提架构可以提升不同CNN架构的优点,同时具有非常大的感受野(这对于大尺度运动去模糊极为重要)。
Method
![24e1264b12e46330d157eb03330863da.png](https://i-blog.csdnimg.cn/blog_migrate/dc44cbc8c70b9294ca12adc0d8189b8b.jpeg)
上图给出了作者所提出的尺度递归去模糊网络架构。它以一系列由输入图像按照不同尺度下采样得到的模糊图像作为输入,输出相应的清晰图像,其中全分辨率输出为最终的输出。
Scale-recurrent Network
作者采用了一种新颖的“自粗而精”的跨尺度递归架构。它将不同尺度的清晰图像生成过程视为图像去模糊的子问题。它以模糊图像以及初始去模糊结果作为输入,估计当前尺度下的清晰图像。该问题可以描述为:
其中,i表示尺度索引(i=1表示最精细的尺度)。
上述公式简单的对所提方法进行了定义,实际上,网络架构比较灵活,有很多中可供选择。首先&