DeblurGAN-v2：实现（数个数量级）更快且更好的去模糊
计算机视觉与模式识别
2019-08-13 v1 机器学习
摘要
我们提出了一种用于单图像运动去模糊的新型端到端生成对抗网络（GAN），名为 DeblurGAN-v2，它显著提升了当前最先进的去模糊效率、质量和灵活性。DeblurGAN-v2 基于带有双尺度判别器的相对条件 GAN。我们首次将特征金字塔网络引入去模糊领域，作为 DeblurGAN-v2 生成器的核心构建模块。它可以灵活地与多种骨干网络配合工作，以在性能和效率之间取得平衡。插入复杂的骨干网络（如 Inception-ResNet-v2）可以实现坚实的当前最先进去模糊效果。同时，使用轻量级骨干网络（如 MobileNet 及其变体），DeblurGAN-v2 比最接近的竞争者快 10-100 倍，同时保持接近当前最先进的结果，这意味着具备实时视频去模糊的选项。我们证明 DeblurGAN-v2 在去模糊质量（包括客观和主观）以及效率方面，在多个流行的基准测试上均取得了极具竞争力的表现。此外，我们展示了该架构对一般图像恢复任务同样有效。我们的代码、模型和数据可在以下地址获取：https://github.com/KupynOrest/DeblurGANv2
引用
@article{arxiv.1908.03826,
title = {DeblurGAN-v2: Deblurring (Orders-of-Magnitude) Faster and Better},
author = {Orest Kupyn and Tetiana Martyniuk and Junru Wu and Zhangyang Wang},
journal= {arXiv preprint arXiv:1908.03826},
year = {2019}
}
备注
Accepted in ICCV 2019