Scale-recurrent Network for Deep Image Deblurring 2018CVPR  騰訊優圖出品

code  https://github.com/jiangsutx/SRN-Deblur   程式碼親測效果確實不錯，但是對於我自己拍的照片出現bad case，跟作者確認過，確實存在。可能是因為作者的模型主要針對運動模糊，一般失焦模糊容易受到矯枉過正的問題。總之模型還需要繼續優化

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