基于生成对抗网络的运动模糊图像恢复
计算机视觉与模式识别
2024-12-30 v1 图像与视频处理
摘要
在日常生活中，摄像机拍摄的照片常常因手持抖动或突然的动作 movements 而受到运动模糊，这种现象会显著损害图像质量，因此 Developing a能够利用对抗网络原理来恢复这些模糊像素清晰度的深度学习模型成为一个有趣的挑战。本项目聚焦于利用生成对抗网络 (GAN) 来有效去除运动模糊图像中的模糊。我们定义了一个基于GAN的Tensorflow模型，通过GoPro数据集进行训练和评估，该数据集包含了具有清晰与模糊版本的街道视图成对图像。判别器和生成器之间的对抗训练过程有助于随着时间推移不断产生更真实的图像。我们采用峰值信噪比 (PSNR) 和结构相似性指数 (SSIM) 作为两个评估指标，对图像质量进行量化评估，以评估去模糊过程的效果。本项目实现了平均PSNR为29.1644、平均SSIM为0.7459，平均去模糊时间为4.6921秒。GAN模型输出的图像中，模糊像素变得更锐利，显示出在实际应用中良好的图像恢复效果。
引用
@article{arxiv.2412.19479,
title = {Generative Adversarial Network on Motion-Blur Image Restoration},
author = {Zhengdong Li},
journal= {arXiv preprint arXiv:2412.19479},
year = {2024}
}