嵌入极端通道先验的网络用于动态场景去模糊
计算机视觉与模式识别
2020-07-15 v1
摘要
近年来，卷积神经网络（CNNs）在动态场景去模糊方面取得了显著进展。虽然 CNN 模型通常通过定义在训练数据上的重建损失来学习，但将合适的图像先验以及正则化项融入网络架构可提升去模糊性能。在本工作中，我们提出一种嵌入极端通道先验的网络（ECPeNet），将极端通道先验（即暗通道和亮通道上的先验）注入网络架构，以实现有效的动态场景去模糊。我们开发了一种新颖的可训练极端通道先验嵌入层（ECPeL），以聚合极端通道与模糊图像表示，并引入稀疏正则化来约束 ECPeNet 模型学习。此外，我们提出了一种高效的多尺度网络架构，以由粗到细和由细到粗两种方式工作，以更好地利用跨尺度信息流。在 GoPro 和 Kohler 数据集上的实验结果表明，我们提出的 ECPeNet 在定量指标和视觉质量上均优于最先进的深度图像去模糊方法。
引用
@article{arxiv.1903.00763,
title = {Extreme Channel Prior Embedded Network for Dynamic Scene Deblurring},
author = {Jianrui Cai and Wangmeng Zuo and Lei Zhang},
journal= {arXiv preprint arXiv:1903.00763},
year = {2020}
}
备注
10 pages