用于图像去模糊的深度堆叠分层多块网络
计算机视觉与模式识别
2019-04-09 v1
摘要
尽管深度端到端学习方法在去除非均匀运动模糊方面已展现出优越性，当前的多尺度与尺度循环模型仍存在主要挑战：1) 由粗到细方案中的反卷积/上采样操作导致高昂的运行时间开销；2) 简单地通过更细尺度层级增加模型深度并不能改善去模糊质量。为应对上述问题，我们受空间金字塔匹配启发，提出一种深度分层多块网络，通过由细到粗的分层表示来处理模糊图像。针对性能随深度饱和的问题，我们提出了多块模型的堆叠版本。我们所提出的基础多块模型在 GoPro 数据集上取得了最先进的性能，同时相比当前多尺度方法享有 40 倍的更快运行速度。以 1280x720 分辨率处理一幅图像仅需 30ms，它是首个针对 30fps 下 720p 图像的实时深度运动去模糊模型。对于堆叠网络，通过增加网络深度在 GoPro 数据集上取得了显著提升（超过 1.2dB）。此外，通过改变堆叠模型的深度，同一网络可针对不同应用场景适配其性能与运行时间。
引用
@article{arxiv.1904.03468,
title = {Deep Stacked Hierarchical Multi-patch Network for Image Deblurring},
author = {Hongguang Zhang and Yuchao Dai and Hongdong Li and Piotr Koniusz},
journal= {arXiv preprint arXiv:1904.03468},
year = {2019}
}
备注
IEEE Conference on Computer Vision and Pattern Recognition 2019