真实世界视频去模糊：一个基准数据集与一种高效循环神经网络
计算机视觉与模式识别
2022-10-18 v2
摘要
由于空间与时间上变化的模糊本身的复杂性以及低计算成本的要求，实时真实世界视频去模糊仍是一项具有挑战性的任务。为提升网络效率，我们将残差稠密块引入RNN单元，以高效提取当前帧的空间特征。此外，提出一种全局时空注意力模块，融合来自过去与未来帧的有效分层特征，以帮助更好地去模糊当前帧。另一个亟待解决的问题是缺乏真实世界基准数据集。为此，我们利用共轴光束分光采集系统收集成对的模糊/清晰视频片段，向学界贡献了一个新颖的数据集（BSD）。实验结果表明，相较于最先进的视频去模糊方法，所提方法（ESTRNN）能以更低的计算成本在定量与定性上取得更好的去模糊性能。此外，数据集间的交叉验证实验说明了BSD相对于合成数据集具有高度泛化性。代码与数据集发布于https://github.com/zzh-tech/ESTRNN。
引用
@article{arxiv.2106.16028,
title = {Real-world Video Deblurring: A Benchmark Dataset and An Efficient Recurrent Neural Network},
author = {Zhihang Zhong and Ye Gao and Yinqiang Zheng and Bo Zheng and Imari Sato},
journal= {arXiv preprint arXiv:2106.16028},
year = {2022}
}
备注
Accepted by IJCV (extended version of ECCV2020)