图像处理
文章平均质量分 93
图像去模糊
天天~
知识搬运工
展开
-
Deep Stacked Hierarchical Multi-patch Network for Image Deblurring代码解读
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分成多个不重叠的原创 2020-05-18 17:30:30 · 656 阅读 · 0 评论 -
Deep Stacked Hierarchical Multi-patch Network for Image Deblurring阅读笔记
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原创 2020-05-14 08:42:08 · 747 阅读 · 0 评论 -
Dynamic Scene Deblurring with Parameter Selective Sharing and Nested Skip Connections
一、Abstract:动态场景去模糊是一项具有挑战性的低级视觉任务,其中空间变化模糊是由许多因素引起的,例如相机抖动和物体运动。 最近的研究取得了重大进展。 与参数独立性方案[19]和参数共享方案[33]相比,我们通过提出通用有效的选择性共享方案,开发了约束去模糊网络结构的一般原则。 在每个标度的子网中,我们提出了一个嵌套的跳过连接结构,用于非线性变换模块,以替换堆叠的卷积层或残余块。 此外,我...原创 2019-05-21 10:20:43 · 1910 阅读 · 7 评论 -
Residual Dense Network for Image Restoration
Introduction问题:大多数基于CNN的深度神经网络模型并没有充分利用原始低分辨率(LR)图像的分层特征,因此性能相对较低。本文: 提出了一种新的残差密集网络(RDN)来解决SR中的这个问题。残差密集网络优点:(1)充分的利用了所有卷积层的层次信息,通过密集连接卷积层提取丰富的卷积特征。(2)允许从前一个RDB的状态直接连接到当前RDB的所有层,从而形成连续的内存(CM)机制。...翻译 2019-01-16 13:29:53 · 3185 阅读 · 0 评论 -
Deep Semantic Face Deblurring
摘要在本文,提出了一种高效的脸去模糊算法,通过利用经CNN网络训练得到的语义信号。 因为脸部图像具有高度的结构性并且拥有一些关键的语义特征(例如眼和嘴巴),所以脸部的语义信息为图像的恢复提供了一个很强的先验。因此我们: (1)合并全局语义先验作为输入并且在多尺度CNN網絡中强加一个局部结构损失去正则化输出(2)使用感知损失和对抗损失训练网络去生成清晰的结果并且开发一种增量训练策略处理自然地随...原创 2018-12-08 22:05:21 · 1476 阅读 · 2 评论 -
传统图像去模糊
图像先验及正则化图像模糊成因主要用以下模型描述:n 表示噪声。图像去模糊方法主要分为盲去模糊算法(清晰图像x和卷积核即点扩散函数未知)和非盲图像去模糊(点扩散函数已知 )。因为不同的原因导致不同的点扩散函数(大致分为散焦模糊、线性运动模糊、复杂模糊)并且导致模糊原因复杂,所以我们一般研究盲图像去模糊。因此传统方法去模糊问题问题主要是估计出点扩散函数,然后对模糊图像进行去卷积得到清晰图像。...原创 2018-11-22 10:15:14 · 8320 阅读 · 3 评论