去模糊方向的数据集与论文数据集合成

由图生图的算法，图像总是成对出现，但是现实生活中很难采集到同一个场景的模糊图像和清晰图像的组图，合成的图不够贴近真实的场景
深度学习去模糊数据集主要分三种
1.首先是最传统的Averaging method
代表性数据集GOPRO dataset
方法：GOPRO数据集里通过帧率240fps的GOPRO Hero Black运动相机记录连续多帧的清晰图像，取连续数帧图像平均作为模糊图像，然后取连续数帧图像的中间帧作为对应的清晰图像。比如240fps的相机拍摄清晰图像，取15帧平均作为模糊图像，相当于模拟16fps的相机拍照，对应的清晰图像即为15帧中的第8帧。GOPRO数据集共包含3214对图像对，其中训练集2103对，测试集1111对
缺点：通过求平均值生成的图像的数据集缺乏多样性，另外这样生成的图像不能代表真实世界的模糊
重点：连续数帧平均作为模糊图像，连续数帧中间值为真实图像
2.然后是直接获得真实世界的模糊数据
方法：主要思路和超分相同，思考是否能收集更接近真实场景的模糊数据，是否可以使用长、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，但是会涉及图片对齐的问题
缺点：需要物理对齐
3.最后就是生成足够相似于真实世界的模糊数据
方法：和第二个方法相同，借鉴了超分中的一篇论文
在学习去模糊之前，先学习怎样更好的生成模糊图片，模型由两个GAN组成，一个用来训练生成更好的模糊图像，另一个用来训练更好的去模糊
缺点：还没想到

4.当前文献中普遍采用的数据集以及模糊生成方法
[1] A Deep Convolutional Encoder-Decoder-Restorer Architecture for Image Deblurring
GoPro dataset，Real image dataset，LFW dataset
[2] Adaptive Multi-Scale Fusion Blind Deblurred Generative Adversarial Network Method for Sharpening Image Data
Realblur-R
[3] YUVDR: A residual network for image deblurring in YUV color space
GoPro dataset，NFS
[4] RT-Deblur: real-time image deblurring for object detection
GoPro dataset
[5] DarkDeblur: Learning single-shot image deblurring in low-light condition
GoPro dataset
[6] Image Deblurring With Image Blurring
自建运动模糊图像库
[7] Research on Transmission Line Hardware Identification Based on Improved YOLOv5 and DeblurGANv2
自建输电线模糊数据集
[8] Research on Transmission Line Hardware Identification Based on Improved YOLOv5 and DeblurGANv2
自建立数据集
[9] Motion deblurring algorithm for wind power inspection images based on Ghostnet and SE attention mechanism
自己采集并生成风电叶片裂缝数据集

**结论：**关于无人机去模糊方向，可以考虑自建数据集，把风力和模糊结合起来，对不同的模糊程度进行分级，针对不同的模糊在特征图融合的时候给予不同特征图对应的权重，以达到更好的去模糊效果，建立最接近真实场景的数据集，这也是一种创新！