子采样湍流去除网络
计算机视觉与模式识别
2018-08-14 v2
摘要
我们提出一种深度学习方法，从湍流畸变和时空变化模糊中恢复一系列受湍流扭曲的视频帧。不同于深度网络需要海量训练样本，我们提出了一种基于新数据增强方法的训练策略，以相对较小的数据集建模湍流。随后我们引入一种子采样方法来提升所提出 GAN 模型的恢复性能。本文的贡献有三方面：首先，我们引入一种简单而有效的数据增强算法，用于建模现实生活中的湍流以在深度网络中训练；其次，我们首次提出将 Wasserstein GAN 与 代价相结合，以成功恢复受湍流破坏的视频序列；第三，我们结合子采样算法滤除严重损坏的帧，生成质量更好的视频序列。
引用
@article{arxiv.1807.04418,
title = {Subsampled Turbulence Removal Network},
author = {Wai Ho Chak and Chun Pong Lau and Lok Ming Lui},
journal= {arXiv preprint arXiv:1807.04418},
year = {2018}
}