基于深度先验反卷积的通用灵活光学像差校正
图像与视频处理
2021-08-20 v2 计算机视觉与模式识别
摘要
高质量成像通常需要笨重且昂贵的镜头来补偿几何像差与色差。这对光学哈希或低成本应用提出了很高的限制。尽管可以利用算法重建来去除低端镜头的伪影，但光学像差带来的退化是空间变化的，且计算不得不在效率与性能之间权衡。例如，我们需要进行分块优化或训练大量局部深度神经网络，以在整个图像上实现高重建性能。本文提出一种 PSF 感知的即插即用深度网络，该网络以像差图像和 PSF 图作为输入，并通过融入镜头特定的深度先验来生成潜在的高质量图像，从而形成一种通用且灵活的光学像差校正方法。具体而言，我们从一组多样化镜头中预训练一个基础模型，然后通过快速精调参数将其适配到给定镜头，这在很大程度上缓解了模型学习的时间与内存消耗。该方法在训练与测试阶段均具有高效率。大量结果验证了我们所提方法在紧凑型低端相机上的广阔应用前景。
引用
@article{arxiv.2104.03078,
title = {Universal and Flexible Optical Aberration Correction Using Deep-Prior Based Deconvolution},
author = {Xiu Li and Jinli Suo and Weihang Zhang and Xin Yuan and Qionghai Dai},
journal= {arXiv preprint arXiv:2104.03078},
year = {2021}
}
备注
ICCV2021