静态图像艺术品中的细微运动模糊检测与分割
计算机视觉与模式识别
2026-02-24 v1
摘要
流媒体服务为数百万用户提供服务，其中诸如缩略图、电影海报和封面图像等视觉资产对用户参与度至关重要。细微运动模糊仍是普遍的质量问题，降低了视觉清晰度，进而影响用户信任和点击率。然而，静态图像上的运动模糊检测鲜有探讨，因为现有方法和数据集聚焦于严重模糊，且缺乏针对质量关键型应用所需的细粒度像素级注释。诸如 GOPRO 和 NFS 等基准测试以强合成模糊为主，常在锐利参考图像中残留模糊，导致监督模糊不清。我们提出了 SMBlurDetect，一个统一框架，结合高质量运动模糊特定数据集生成与能够进行零样本检测的端到端检测器，能够在多个细粒度上进行检测。我们的管道使用可控相机和物体运动模拟在 SAM 分段区域上从超高分辨率审美图像中合成真实运动模糊，增强了 alpha-aware 合成和平衡抽样，以生成细微、局部化的模糊，伴随精确的 ground truth 掩码。我们使用 ImageNet 预训练编码器训练基于 U-Net 的检测器，采用混合掩码和图像中心策略，包括课程学习、硬负样本、焦点损失、模糊频率通道和分辨率感知数据增强。我们的方法实现了强大的零样本泛化，在 GoPro 上达到 89.68% 准确率（相对于 66.50% 的基线），在 CUHK 上达到 59.77% Mean IoU（相对于 9.00% 的基线），显示出 6.6 倍的分割改进。定性结果显示，能够准确定位细微模糊瑕疵，实现对低质量帧的自动过滤和针对智能裁剪的感兴趣区域的精确提取。
引用
@article{arxiv.2602.18720,
title = {Subtle Motion Blur Detection and Segmentation from Static Image Artworks},
author = {Ganesh Samarth and Sibendu Paul and Solale Tabarestani and Caren Chen},
journal= {arXiv preprint arXiv:2602.18720},
year = {2026}
}
备注
InProceedings of the Winter Conference on Applications of Computer Vision 2026