双向时域特征流盲去运动模糊方法

便携式成像设备在日常的生活中已经无处不在,但是因为拍摄时的抖动或者场景中的快速运动物体,所拍摄的图像或视频经常存在模糊现象,造成图像重要细节丢失。为了将模糊的视频图像恢复到清晰的状态,结合近年来的研究热点——生成对抗网络,本文提出了一种新颖的端到端的双向时域特征流盲去运动模糊方法。该方法充分利用时空连续特征信息,在三连帧图像间建立双向的时域特征传输通道。多阶段自编码去模糊网络结构和并行编码-混合解码融合方案能够融合三连帧图像多通道内容信息,并恢复出更加清晰的视频图像。实验结果表明,在不牺牲较大时间代价前提下,本文提出的方法在传统的质量评价指标(峰值信噪比和结构相似性)和视觉质量上均优于现有的去模糊算法。

一种基于深度学习的图像盲去运动模糊算法

数字图像一直在信息的传递中扮演着重要的角色,但同时也存在着大量模糊图像的问题。无论是目标检测、自动驾驶还是人脸识别等计算机视觉任务都需要依托大量清晰的图像,因此将模糊图像重新变得清晰是一个急切且广泛的需求。针对因运动导致的图像模糊,本文工作设计一种新颖的基于深度学习的端到端的图像盲去运动模糊算法。算法通过结合监督式学习的思路,将对抗式生成网络模型进行结构改造,并通过针对性加入人脸先验信息设计的损失函数来引导网络学习图像对之间的差别,在恢复运动模糊图像方面取得显著的成果。

基于分裂Bregman算法的单帧运动图像盲去模糊

提出一种基于分裂Bregman算法的单帧运动图像盲去模糊方法,该算法分为模糊核估计和图像复原两个阶段。在估计模糊核时,首先利用双边滤波器去除图像中的噪声,再采用改进的冲激滤波器对图像进行边缘增强,选取有用的边缘信息估计模糊核,并对估计出的模糊核进行修正,从而得到高质量的模糊核。图像复原阶段,利用分裂Bregman算法交替迭代得到去模糊后的图像。该算法具有降噪和边缘增强的功能,并能保持图像总变分不变,使图像复原效果更好且计算时间有大幅降低。