Scale-recurrent Network for Deep Image Deblurring 2018CVPR 腾讯优图出品
给定一个运动或焦点模糊的输入图像,由相机抖动、物体运动或焦点不聚焦,模糊的目标是用必要的边缘结构和细节恢复一个锐利的潜在图像。此外,对模糊模型的简化假设经常会阻碍它们在实际图像处理中的表现,模糊比建模复杂得多,并且与内置的图像处理管道纠缠在一起,各种原每一因综合得到的结果。
不同尺度上有的人采用相同参数,有的采用不同参数,本文在这项工作中,文章建议在不同的尺度上共享网络权重,以显著减少培训难度并引入明显的稳定性优势。
文章强调多尺度的重要性,本文对该策略进行了研究,并提出了一种可缩放的网络(SRN-DeblurNet)。它有一个更简单的网络结构,更少的参数,而且更容易进行训练。
1 多尺度,将图像缩放成多种尺度,每一个尺度视为一个子问题,采用一个Encoderdecoder网络进行训练,作者添加了一些修改,例如残差学习等。
2 前一个网络生成的deblur图像作为下一个网络的初始deblur图像。
3 各个子网络之间有一个RNN网络进行信息保留和传递,作者采用LSTM。
Encoder-decoder Network指那些对称的CNN结构,它首先将输入数据逐步转换成具有较小空间大小和更多通道(编码器)的功能图,然后将它们转换回输入(解码器)的形状。
Skip-connections 被广泛用于将不同层次的信息组合在一起。它们也能促进梯度传播和加速收敛
作者针对他提出的几个模块分别做对比实验:
1 Multi-scale Strategy 因此作者设计了一个Single-scale model进行对比。
2 Encoder-decoder ResBlock Network
作者分别设计多个小模块进行对比 ResBlock
数据集:GOPRO dataset
https://github.com/jiangsutx/SRN-Deblur