一种用于高效单图像动态场景盲去模糊及空间变化运动模糊核估计的约束可变形卷积网络
计算机视觉与模式识别
2022-08-24 v1
摘要
现有大多数基于深度学习的单图像动态场景盲去模糊（SIDSBD）方法通常设计深度网络直接从一幅输入的运动模糊图像中去除空间变化运动模糊，而不进行模糊核估计。本文受投影运动路径模糊（PMPB）模型和可变形卷积的启发，提出了一种新颖的约束可变形卷积网络（CDCN），用于高效的单图像动态场景盲去模糊，仅从一幅观测到的运动模糊图像中同时实现准确的空间变化运动模糊核估计与高质量图像复原。在我们提出的CDCN中，首先构建了一种新颖的多尺度多级多输入多输出（MSML-MIMO）编码器-解码器架构，以获得更强大的特征提取能力。其次，不同于使用多帧连续图像的DLVBD方法，提出了一种新颖的约束可变形卷积重模糊（CDCR）策略：其中可变形卷积首次应用于输入单幅运动模糊图像的模糊特征，以学习每个像素运动模糊核的采样点，这类似于PMPB模型中相机抖动的运动密度函数估计；随后提出一种基于PMPB的重模糊损失函数约束所学采样点收敛，使所学采样点更好地匹配各像素的相对运动轨迹，并提升空间变化运动模糊核估计的精度。
引用
@article{arxiv.2208.10711,
title = {A Constrained Deformable Convolutional Network for Efficient Single Image Dynamic Scene Blind Deblurring with Spatially-Variant Motion Blur Kernels Estimation},
author = {Shu Tang and Yang Wu and Hongxing Qin and Xianzhong Xie and Shuli Yang and Jing Wang},
journal= {arXiv preprint arXiv:2208.10711},
year = {2022}
}
备注
13 pages,8 figures