Abstract
从粗到细的策略被广泛应用于单幅图像去模糊网络的架构设计中。
传统的方法通常是将多尺度输入图像叠加在子网络中,从下到上逐步提高图像的锐度,这必然带来较高的计算成本。
为了实现快速准确的去模糊网络设计,这篇文章重新审视了粗到细的策略,并提出了一个多输入多输出的U-net (MIMO-UNet)。
MIMO-UNet 有三个明显特征:
- 首先,MIMO-UNet的单编码器采用多尺度输入图像,降低训练难度。
- 其次,MIMO-UNet的 single decoder 使用 single U-shape 网络输出多幅不同尺度的去模糊图像来模拟 multi-cascaded U-net 网络。
- 最后,引入非对称特征融合,实现多尺度特征的高效融合。
在GoPro和Real-Blur数据集上的大量实验表明,所提出的网络在准确性和计算复杂度方面都优于最先进的方法。
Conclusion
这篇文章提出了一种快速准确的图像去模糊网络。
这篇文章提出了一个单一的U-Net,它具有独特的特征,可以实现更简单但更有效的粗到细的去模糊,而不是叠加多个子网络来实现粗到细的去模糊。
对网络的编码器进行改进,以获取多尺度输入图像,并结合不同来源的特征。
在解码过程中,改变网络解码器输出多尺度去模糊图像,从而更好地实现粗到细的去模糊。
提出了一种特征融合方法,对多尺度特征进行不对称组合,实现动态图像的去模糊。
实验结果表明,该方法在速度和精度的权衡方面优于其他常规方法。
-
Previous
【深度学习】HINet: Half Instance Normalization Network for Image Restoration -
Next
【深度学习】Deformable DETR:Deformable Transformers for End-to-End Object Detection