基于深度编码-解码器的图像模糊核估计

在图像去模糊问题中,显著边缘结构对图像的模糊核估计具有重要的作用.本文提出一种基于深度编码-解码器的图像模糊核估计算法.首先,通过构建训练数据集对深度编码-解码器进行训练,进而自适应地获得模糊图像的显著边缘结构;接着,结合显著边缘结构和模糊图像,利用L2范数正则化对模糊核进行估计;最后,利用超拉普拉斯先验和所估计的模糊核对清晰图像进行估计.与传统的方法相比,所提出的方法不需要多尺度迭代框架.实验结果表明,所提出的算法在获得较好的显著边缘结构以及清晰图像的同时,能够减少算法计算的时间.

深度特征维纳反卷积用于均匀离焦盲去模糊

工业精密制造中,视觉检测设备的成像系统往往景深较小,易产生离焦模糊,严重影响检测效果。针对这一问题,提出了一种针对于均匀离焦图像的盲去模糊网络(Uniform Defocus Blind Deblur Net,UDBD-Net)。首先,提出一种模糊核估计网络,提取离焦模糊的特征,并准确地估计出模糊核;其次,提出一种反卷积网络,通过神经网络学习并估计基于特征维纳反卷积(Feature-based Wiener Deconvolution,FWD)公式中的未知量,更准确地生成去模糊图像的潜在特征;最后,使用一个编解码网络(Encoder-Decoder Net)增强图像的细节,并去除伪影。实验结果表明,该方法在DIV2K和GOPRO图片上的峰值信噪比(Peak Signal to Noise Ratio,PSNR)分别达到31.16 dB和36.16 dB;与目前主流的方法相比,该方法在不显著增加模型推理时间的同时能够复原出更高质量、更自然地去模糊图像。此外,该方法对真实的均匀离焦模糊图像也有较好的去模糊效果,且能够显著提升工业视觉检测算法对于离焦模糊图像的检测效果。