用于单图像离焦去模糊的高斯核混合网络
计算机视觉与模式识别
2021-11-02 v1
摘要
离焦模糊是图像中常见的一种模糊效应，由于其空间变化的模糊量，难以去除。本文提出一种端到端深度学习方法，用于从单幅图像中去除离焦模糊，从而为后续视觉任务提供全聚焦图像。首先，提出像素级高斯核混合(GKM)模型，以高效的线性参数形式表示空间变化的离焦模糊核，比现有模型精度更高。然后，通过展开基于GKM的去模糊的不动点迭代，构建了名为GKMNet的深度神经网络。GKMNet建立在轻量级尺度循环架构上，带有尺度循环注意力模块，用于估计GKM中用于离焦去模糊的混合系数。大量实验表明，GKMNet不仅明显优于现有离焦去模糊方法，而且在模型复杂度和计算效率方面也具有优势。
引用
@article{arxiv.2111.00454,
title = {Gaussian Kernel Mixture Network for Single Image Defocus Deblurring},
author = {Yuhui Quan and Zicong Wu and Hui Ji},
journal= {arXiv preprint arXiv:2111.00454},
year = {2021}
}
备注
Accepted by NeurIPS 2021