密集连接卷积网络图像去模糊
目的 非均匀盲去运动模糊是图像处理和计算机视觉中的基础课题之一.传统去模糊算法有处理模糊种类单一、耗费时间两大缺点,且一直未能有效解决.随着神经网络在图像生成领域的出色表现,本文把去运动模糊视为图像生成的一种特殊问题,提出一种基于神经网络的快速去模糊方法.方法 首先,将图像分类方向表现优异的密集连接卷积网络(dense connected convolutional network,DenseNets)应用到去模糊领域,该网络能充分利用中间层的有用信息.在损失函数方面,采用更符合去模糊目的的感知损失(perceptual loss),保证生成图像和清晰图像在内容上的一致性.采用生成对抗网络(generative adversarial network,GAN),使生成的图像在感官上与清晰图像更加接近.结果 通过测试生成图像相对于清晰图像的峰值信噪比(peak signal to noise ratio,PSNR),结构相似性(structural similarity,SSIM)和复原时间来评价算法性能的优劣.相比DeblurGAN (blind motion deblurring usingconditional adversarial networks),本文算法在GOPRO测试集上的平均PSNR提高了0.91,复原时间缩短了0.32 s,能成功恢复出因运动模糊而丢失的细节信息.在Kohler数据集上的性能也优于当前主流算法,能够处理不同的模糊核,鲁棒性强.结论 本文算法网络结构简单,复原效果好,生成图像的速度也明显快于其他方法.同时,该算法鲁棒性强,适合处理各种因运动模糊而导致的图像退化问题.
运动模糊、盲去模糊、生成对抗网络(GAN)、密集连接卷积网络(DenseNets)、感知损失、全卷积网络(FCN)
25
TP183(自动化基础理论)
国家自然科学基金项目;上海市重点实验室项目
2020-06-22(万方平台首次上网日期,不代表论文的发表时间)
共10页
890-899