通过拟合测试数据实现视频去模糊

自动驾驶车辆和机器人捕获的视频中的运动模糊会降低其感知能力。在这项工作中，我们提出了一种通过将深度网络拟合到测试视频来进行视频去模糊的新方法。我们的关键观察是，带有运动模糊的视频中某些帧比其他帧清晰得多，因此我们可以将那些清晰帧中的纹理信息转移到模糊帧。我们的方法启发式地从视频中选择清晰帧，然后在这些清晰帧上训练卷积神经网络。训练后的网络通常吸收了场景中足够的细节，以对所有视频帧执行去模糊。作为一种内部学习方法，我们的方法在训练和测试数据之间没有领域差距，而这是现有视频去模糊方法存在的问题。在真实世界视频数据上进行的实验表明，我们的模型能比最先进的视频去模糊方法重建更清晰、更锐利的视频。代码和数据可在 https://github.com/xrenaa/Deblur-by-Fitting 获取。