10.3969/j.issn.1672-8785.2023.04.005
基于多尺度优化和动态特征融合的图像去模糊研究
目前采用U-Net结构的去模糊算法存在细节损失、图像质量欠佳等问题,因此对U-Net进行改进,提出一种基于多尺度优化和动态特征融合的图像去模糊方法.首先针对细节损失,提出一种精简且有效的多尺度残差注意力模块(Multi-Scale Residual Module,MSRM),通过增加特征尺度多样性来提取更精细的图像特征.此外,为了将更有利的特征传递到解码部分,在跳跃连接处设计动态特征融合模块(Dynamic Feature Fusion Module,DFFM),采用注意力加权的方式选择性融合不同阶段的编码特征.该算法采用多尺度内容损失和多尺度高频信息损失进行约束训练.在GoPro和RealBlur数据集上的实验结果表明,这种方法能有效改善图像质量,复原更丰富的细节信息.与现有去模糊算法相比,本文算法在主观视觉和客观评价等方面均具有一定优势.
图像去模糊、特征加权、多尺度特征、U-Net结构
44
TP391.41(计算技术、计算机技术)
2023-05-10(万方平台首次上网日期,不代表论文的发表时间)
共9页
33-41