重新思考单图像去模糊中的由粗到细方法
计算机视觉与模式识别
2021-09-17 v2 人工智能
摘要
由粗到细策略已广泛用于单图像去模糊网络的架构设计。传统方法通常堆叠具有多尺度输入图像的子网络，并自底端子网络向顶部子网络逐步提升图像清晰度，不可避免地带来高计算成本。为设计快速而准确的去模糊网络，我们重新审视由粗到细策略并提出多输入多输出 U-net（MIMO-UNet）。MIMO-UNet 具有三个显著特征。第一，MIMO-UNet 的单一编码器接收多尺度输入图像以缓解训练难度。第二，MIMO-UNet 的单一解码器输出多种尺度的去模糊图像，以使用单个 U 形网络模拟多级联 U-net。最后，引入非对称特征融合以高效方式合并多尺度特征。在 GoPro 和 RealBlur 数据集上的大量实验表明，所提网络在准确率和计算复杂度方面均优于当前最优（SOTA）方法。源代码可用于研究，见 https://github.com/chosj95/MIMO-UNet。
引用
@article{arxiv.2108.05054,
title = {Rethinking Coarse-to-Fine Approach in Single Image Deblurring},
author = {Sung-Jin Cho and Seo-Won Ji and Jun-Pyo Hong and Seung-Won Jung and Sung-Jea Ko},
journal= {arXiv preprint arXiv:2108.05054},
year = {2021}
}
备注
Accepted by IEEE International Conference on Computer Vision (ICCV) 2021