利用未对齐训练对学习单图像散焦去模糊
计算机视觉与模式识别
2022-11-30 v2
摘要
通过采用流行的逐像素损失，现有的散焦去模糊方法严重依赖对齐良好的训练图像对。尽管地面真值与模糊图像的训练对是经过精心收集的，例如DPDD数据集，但训练对之间的未对齐是不可避免的，使得现有方法可能遭受形变伪影。在本文中，我们提出了一种联合去模糊与重模糊学习（JDRL）框架，用于带有未对齐训练对的单图像散焦去模糊。一般而言，JDRL由一个去模糊模块和一个空间不变重模糊模块组成，通过它们，去模糊结果可由地面真值图像自适应监督以恢复清晰纹理，同时保持与模糊图像的空间一致性。首先，在去模糊模块中，引入了基于双向光流的形变以容忍去模糊图像与地面真值图像之间的空间未对齐。其次，在重模糊模块中，去模糊结果被重模糊以在空间上与模糊图像对齐，通过预测一组各向同性模糊核与权重图。此外，我们建立了一个新的单图像散焦去模糊（SDD）数据集，进一步验证了我们的JDRL，也惠及未来研究。我们的JDRL可应用于在DPDD、RealDOF和我们的SDD数据集上从定量指标和视觉质量两方面提升散焦去模糊网络。
引用
@article{arxiv.2211.14502,
title = {Learning Single Image Defocus Deblurring with Misaligned Training Pairs},
author = {Yu Li and Dongwei Ren and Xinya Shu and Wangmeng Zuo},
journal= {arXiv preprint arXiv:2211.14502},
year = {2022}
}
备注
https://github.com/liyucs/JDRL