Scale-recurrent Network for Deep Image Deblurring 閱讀理解
Scale-recurrent Network for Deep Image Deblurring 2018CVPR 騰訊優圖出品
給定一個運動或焦點模糊的輸入影象,由相機抖動、物體運動或焦點不聚焦,模糊的目標是用必要的邊緣結構和細節恢復一個銳利的潛在影象。此外,對模糊模型的簡化假設經常會阻礙它們在實際影象處理中的表現,模糊比建模複雜得多,並且與內建的影象處理管道糾纏在一起,各種原每一因綜合得到的結果。
不同尺度上有的人採用相同引數,有的採用不同引數,本文在這項工作中,文章建議在不同的尺度上共享網路權重,以顯著減少培訓難度並引入明顯的穩定性優勢。
文章強調多尺度的重要性,本文對該策略進行了研究,並提出了一種可縮放的網路(SRN-DeblurNet)。它有一個更簡單的網路結構,更少的引數,而且更容易進行訓練。
1 多尺度,將影象縮放成多種尺度,每一個尺度視為一個子問題,採用一個Encoderdecoder網路進行訓練,作者添加了一些修改,例如殘差學習等。
2 前一個網路生成的deblur影象作為下一個網路的初始deblur影象。
3 各個子網路之間有一個RNN
Encoder-decoder Network指那些對稱的CNN結構,它首先將輸入資料逐步轉換成具有較小空間大小和更多通道(編碼器)的功能圖,然後將它們轉換回輸入(解碼器)的形狀。
Skip-connections 被廣泛用於將不同層次的資訊組合在一起。它們也能促進梯度傳播和加速收斂
作者針對他提出的幾個模組分別做對比實驗:
1 Multi-scale Strategy 因此作者設計了一個Single-scale model進行對比。
2 Encoder-decoder ResBlock Network
作者分別設計多個小模組進行對比 ResBlock
資料集:GOPRO dataset
https://github.com/jiangsutx/SRN-Deblur