图像脱玻璃频率增强技术

在图像脱玻璃中恢复高频纹理仍是具有挑战性的难题。虽然现有方法引入了复杂的空间学习方法，但仍表现出有限性能。为此提出了一种频率增强方法。基于对彩色滤波器阵列（CFA）/脱玻璃/真实图像的频率分析，我们提出了双路径频率增强网络（DFENet），通过傅里叶域频率选择以分治方式重建RGB图像。在DFENet中，采用两个频率选择器，分别选择一组频率分量进行独立处理。一条路径侧重通过空间域中的细节细化生成缺失信息，而另一条路径则根据CFA图像在频率域的引导抑制不良频率。采用分阶段训练策略并引入多级频率监督，以进一步提升重建性能。通过上述设计，所提出的DFENet在不同数据集上超越其他最先进算法，并在困难案例中显著优于现有方法。此外，为更好评估算法在重建高频纹理方面的能力，贡献了一个新数据集LineSet37，包含37个人工设计和生成的图像。这些图像具有复杂的线条图案，脱玻璃后容易出现颜色虫眼等严重的视觉瑕疵。在LineSet37上的实验提供了对挑战性案例性能的更精准评估。代码和数据集已公开：https://github.com/VelvetReverie/DFENet-demosaicking。