先验启发与运动鲁棒的视频去模糊
计算机视觉与模式识别
2020-03-27 v2 图像与视频处理
摘要
视频中的各种模糊失真会对人类观看和基于视频的应用造成负面影响，这使得运动鲁棒的去模糊方法亟待需要。现有多数工作在处理低对比度或剧烈运动区域中的模糊以及非均匀模糊等挑战性场景时，具有较强数据集依赖性和有限的泛化能力。因此，我们提出一种适用于挑战性模糊的先验启发与运动鲁棒视频去模糊模型（PROMOTION）。一方面，我们使用 3D 组卷积高效编码异构先验信息，在显式增强场景感知的同时减轻输出的伪影。另一方面，我们设计表征模糊分布的先验，以更好地处理时空域中的非均匀模糊。除经典的相机抖动引起的全局模糊外，我们还证明了该方法对受局部模糊影响的下游任务具有泛化性。大量实验表明，我们能在知名的 REDS 和 GoPro 数据集上取得最先进的性能，并带来机器任务增益。
引用
@article{arxiv.2003.11209,
title = {Prior-enlightened and Motion-robust Video Deblurring},
author = {Ya Zhou and Jianfeng Xu and Kazuyuki Tasaka and Zhibo Chen and Weiping Li},
journal= {arXiv preprint arXiv:2003.11209},
year = {2020}
}
备注
26 pages, 13 figures, and 7 tables