红外运动去模糊

相机云台系统在各种空中或水下系统中十分重要，应用于导航、目标跟踪、安全与监视等。较高的云台转向速率（每秒旋转角度）对于实时应用更为可取，因为可在短时间内重新观测给定视场（FOV）。然而，由于曝光期间云台与场景间的相对运动，所捕获的视频帧会出现运动模糊。由于多数捕获后应用需要无模糊图像，实时运动去模糊是一项重要需求。尽管存在旨在从模糊输入恢复潜在图像的盲去模糊方法，但它们受限于非常高维的优化因而耗时巨大。另一方面，用于运动去模糊的深度学习方法虽快，但对不同域（如空中、水下等）的泛化能力不尽如人意。本工作中，我们解决云台系统所捕获红外（IR）图像的实时运动去模糊问题。我们揭示了如何将模糊核的先验知识与非盲去模糊方法结合以实现实时性能。重要的是，我们的数学模型可用于生成具有真实云台运动模糊的大规模数据集。此类稀缺数据集可成为当代深度学习方法的重要资产。我们表明，相较于最先进的去模糊技术，我们的方法更适用于实际的基于云台的成像系统。