SL-CycleGAN：基于稀疏学习的循环盲运动去模糊
计算机视觉与模式识别
2021-11-09 v1 图像与视频处理
摘要
在本文中，我们介绍了一种基于稀疏学习的端到端生成对抗网络（GAN）用于单图像盲运动去模糊，我们称之为 SL-CycleGAN。在盲运动去模糊中，我们首次提出一种稀疏 ResNet 块，作为稀疏卷积层与基于 HTM（分层时序记忆，Hierarchical Temporal Memory）的可训练空间池化器 k-winner 的组合，以替代 SL-CycleGAN 生成器 ResNet 块中的 ReLU 等非线性。此外，不同于许多将运动去模糊视为线性端到端过程的最先进基于 GAN 的去模糊方法，我们从 CycleGAN 的域到域翻译能力中获得灵感，并表明图像去模糊可以是循环一致的，同时取得最佳定性结果。最后，我们在流行的图像基准上进行了定性与定量的大量实验，并在 GoPro 数据集上取得了破纪录的 38.087 dB PSNR，比最近的去模糊方法高出 5.377 dB。
引用
@article{arxiv.2111.04026,
title = {SL-CycleGAN: Blind Motion Deblurring in Cycles using Sparse Learning},
author = {Ali Syed Saqlain and Li-Yun Wang and Fang Fang},
journal= {arXiv preprint arXiv:2111.04026},
year = {2021}
}
备注
12 pages