基于生成对抗网络（GAN）的图像去模糊
计算机视觉与模式识别
2022-08-25 v1 图像与视频处理
摘要
本论文基于近年提出的经典定理与前沿方法，分析了图像去模糊这一具有挑战性的问题。通过谱分析，我们从数学上展示了谱正则化方法的有效性，并指出谱滤波结果与正则化优化目标解之间的联系。对于像图像去模糊这样的不适定问题，优化目标包含一个正则化项（也称为正则化泛函），该将我们的先验知识编码进解中。我们演示了如何利用最大后验估计的思想手工构造正则化项。随后，我们指出了此类基于正则化方法的局限性，并转入基于神经网络的方法。基于 Wasserstein 生成对抗模型的思想，我们可以训练一个 CNN 来学习正则化泛函。这种数据驱动的方法能够捕捉复杂性，而该复杂性可能无法用解析方法建模。此外，近年来随着架构的改进，网络已能够在给定模糊观测的条件下输出逼近真实值的图像。生成对抗网络（GAN）正是基于这一图像到图像的翻译思想工作。我们基于数值测试分析了 Orest Kupyn 等人 [14] 于 2019 年提出的 DeblurGAN-v2 方法。并且，基于实验结果和我们的认识，我们对该方法提出了一些改进建议。
引用
@article{arxiv.2208.11622,
title = {Generative Adversarial Network (GAN) based Image-Deblurring},
author = {Yuhong Lu and Nicholas Polydorides},
journal= {arXiv preprint arXiv:2208.11622},
year = {2022}
}
备注
90 pages, 35 figures, MS Thesis at the University of Edinburgh