重新思考深度真实世界图像去模糊中的模糊合成
计算机视觉与模式识别
2022-09-29 v1
摘要
本文中，我们研究真实世界图像去模糊问题，并考虑提升深度图像去模糊模型性能的两个关键因素，即训练数据合成与网络架构设计。由于在现有合成数据集上训练的模型存在域偏移，其在真实模糊图像上表现不佳。为缩小合成域与真实域之间的域差距，我们提出一种新颖的真实模糊合成流水线来模拟相机成像过程。得益于我们所提出的合成方法，现有去模糊模型可变得对真实世界模糊更具鲁棒性。此外，我们开发了一种有效的去模糊模型，可同时捕获特征域中的非局部依赖与局部上下文。具体而言，我们在 UNet 架构中引入多路径 transformer 模块以丰富多尺度特征学习。在三个真实世界数据集上的综合实验表明，所提出的去模糊模型优于最先进（state-of-the-art）方法。
引用
@article{arxiv.2209.13866,
title = {Rethinking Blur Synthesis for Deep Real-World Image Deblurring},
author = {Hao Wei and Chenyang Ge and Xin Qiao and Pengchao Deng},
journal= {arXiv preprint arXiv:2209.13866},
year = {2022}
}
备注
9 pages, 7 figures