LODE: 深度局部去模糊与一个新基准
计算机视觉与模式识别
2021-09-21 v1
摘要
尽管近期深度去模糊算法取得了显著进展,现有大多数方法关注全局去模糊问题,其中图像模糊主要源于严重的相机抖动。我们认为,主要由运动物体与相对静态背景产生的局部模糊十分普遍但仍未被充分研究。本文中,我们首先通过首次构建 LOcal-DEblur(LODE)数据集(包含 3700 张真实拍摄的局部模糊图像及其对应真值)为局部去模糊奠定数据基础。然后,我们提出一种称为 BLur-Aware DEblurring network(BladeNet)的新框架,其包含三个组件:Local Blur Synthesis 模块生成局部模糊训练对,Local Blur Perception 模块自动捕获局部模糊区域,Blur-guided Spatial Attention 模块以空间注意力引导去模糊网络。该框架具有灵活性,可与许多现有 SotA 算法结合。我们在 REDS 和 LODE 数据集上进行了大量实验,表明 BladeNet 在局部去模糊上比 SotA 方法提升 PSNR 2.5dB,同时在全局去模糊上保持相当性能。我们将发布数据集与代码。
引用
@article{arxiv.2109.09149,
title = {LODE: Deep Local Deblurring and A New Benchmark},
author = {Zerun Wang and Liuyu Xiang and Fan Yang and Jinzhao Qian and Jie Hu and Haidong Huang and Jungong Han and Yuchen Guo and Guiguang Ding},
journal= {arXiv preprint arXiv:2109.09149},
year = {2021}
}