基于自适应网络的运动去模糊

本文中，我们解决存在运动模糊时的动态场景去模糊问题。受严重模糊影响的图像复原需要具有大感受野的网络设计，现有网络试图通过简单增加通用卷积层数量、核尺寸或图像处理尺度来实现。然而，以这种方式增加网络容量会以模型尺寸和推理速度的增加为代价，且忽略了模糊的非均匀特性。我们提出了一种由空间自适应残差学习模块组成的新架构，其隐式发现输入图像中导致非均匀模糊的空间变化偏移并学习调制滤波器。该能力由一个自注意力模块补充，其捕捉中间特征间的非局部关系并增强感受野。我们随后在设计中也引入时空循环模块以促进高效的视频去模糊。我们的网络可隐式建模空间变化去模糊过程，同时完全摒弃多尺度处理与大滤波器。在动态场景去模糊基准数据集上与先前方法的广泛定性与定量比较，通过模型尺寸的减小及精度与速度的显著提升清楚地证明了所提网络的优越性，实现了近乎实时的去模糊。