面向动态场景的卷帘快门校正与去模糊
计算机视觉与模式识别
2021-04-06 v1
摘要
联合卷帘快门校正与去模糊（RSCD）技术对主流 CMOS 相机至关重要。然而，现有方法仍基于传统能量优化，且针对静态场景开发。为使基于学习的方法能解决真实世界 RSCD 问题，我们贡献了首个数据集 BS-RSCD，其包含动态场景中的自运动与物体运动。通过基于分束器的采集系统，同步记录了真实的畸变与模糊视频及对应真值。由于直接将现有单独的卷帘快门校正（RSC）或全局快门去模糊（GSD）方法用于 RSCD 会因网络架构固有缺陷导致不理想结果，我们进一步提出首个面向 RSCD 的基于学习的模型（JCD）。其关键思想在于采用双向扭曲流进行位移补偿，同时保留非扭曲去模糊流以恢复细节。实验结果表明，JCD 在真实 RSCD 数据集（BS-RSCD）与合成 RSC 数据集（Fastec-RS）上均达到 SOTA 性能。数据集与代码见 https://github.com/zzh-tech/RSCD。
引用
@article{arxiv.2104.01601,
title = {Towards Rolling Shutter Correction and Deblurring in Dynamic Scenes},
author = {Zhihang Zhong and Yinqiang Zheng and Imari Sato},
journal= {arXiv preprint arXiv:2104.01601},
year = {2021}
}
备注
To be published in CVPR 2021