清晰图像难以再模糊：利用病态逆任务实现动态场景去模糊
图像与视频处理
2022-04-05 v2 计算机视觉与模式识别
摘要
动态场景去模糊的目标是去除给定图像中的运动模糊。典型的基于学习的方法通过最小化输出与参考清晰图像之间的 L1 或 L2 距离来实现其解决方案。近期的尝试在训练中采用视觉识别特征以改善感知质量。然而，这些特征主要设计用于捕捉高层语义而非模糊度等低层结构。相反，我们提出了一种更直接的使图像更清晰的方法，即利用去模糊的逆任务——再模糊。再模糊会放大残留模糊以重建原始模糊，然而，一幅去模糊良好、模糊量为零的清晰图像难以再模糊。因此，我们设计了两类再模糊损失函数以改进去模糊。训练阶段的有监督再模糊损失比较去模糊图像与清晰图像之间被放大的模糊；推理阶段的自监督再模糊损失检查去模糊图像中是否仍有明显模糊残留。我们在大规模基准和真实图像上的实验结果表明，再模糊损失在提升去模糊图像感知质量（就 NIQE 和 LPIPS 分数以及视觉清晰度而言）方面是有效的。
引用
@article{arxiv.2104.12665,
title = {Clean Images are Hard to Reblur: Exploiting the Ill-Posed Inverse Task for Dynamic Scene Deblurring},
author = {Seungjun Nah and Sanghyun Son and Jaerin Lee and Kyoung Mu Lee},
journal= {arXiv preprint arXiv:2104.12665},
year = {2022}
}
备注
ICLR 2022