标签：Blind 模糊 DeblurGAN Conditional Adversarial GAN 图像 mathcal IB

DeblurGAN：Blind Motion Deblurring Using Conditional Adversarial Networks

Paper:http://openaccess.thecvf.com/content_cvpr_2018/papers/Kupyn_DeblurGAN_Blind_Motion_CVPR_2018_paper.pdf
Code:https://github.com/KupynOrest/DeblurGAN
Tips：CVPR2018的一篇paper。
（阅读笔记）

1.Main idea

• 提出了端到端解决运动模糊的一个方法。
• 真实图像的去模糊效果也很好。
• 提出了一个数据集增强的方法。

2.Intro

• 提出的方法速度快，效果好。we propose a loss and architecture which obtain state-of-the art results in motion deblurring.
• 提出了数据增强的方法。we present a method based on random trajectories for generating a dataset for motion deblurring training in an automated fashion from the set of sharp image.
• 提出了通过目标检测的方法来评估去模糊的方法。we present a novel dataset and method for evaluation of deblurring algorithms based on how they improve object detection results.
• 模糊的数学模型，其中$I_B$IB​是模糊图像，$k(M)$k(M)是未知的模糊核，$I_S$IS​是清晰的图像，$N$N是加性噪声：
  $\begin{aligned} I_B=k(M)\times I_S+N \tag{1} \end{aligned}$IB​=k(M)×IS​+N​(1)
• 早期都是非盲去模糊，假设$k(M)$k(M)已知的。但是实际中却是未知的，需要同时估计模糊核和清晰图像。同时有考虑模糊是均与的，不够充分；有迭代的方式的，但是迭代次数未知，也浪费时间。近年来也有很多深度学习的方法。
• GAN给予一定约束，就变成了条件GAN。

3.Details

• 损失函数由两部分组成；对抗损失（采用WGAN-GP）和内容损失（Perceptual loss，并没有用常规的均方差或绝对值）；Perceptual loss就是预训练了一个网络以便更好的提取特征，而损失就是真假图像送入网络$\phi$ϕ和进行差距比较的，该论文用的是VGG：
  $\mathcal{L} = \mathcal{L}_{GAN}+ \lambda \mathcal{L}_{X} \tag{2}$L=LGAN​+λLX​(2)
  $\mathcal{L}_{GAN} =\sum_{n=1}^N -D_{\theta_{D}} (G_{\theta_{G}}(I_B)) \tag{3}$LGAN​=n=1∑N​−DθD​​(GθG​​(IB​))(3)
  $\mathcal{L}_{X} = \frac{1}{W_{i,j}H_{i,j}} \sum_{x=1}^{W_{i,j}} \sum_{y=1}^{H_{i,j}} (\phi_{i,j}(I_S)_{x,y}- \phi_{i,j}(G_{\theta_{G}}(I_B))_{x,y})^2 \tag{4}$LX​=Wi,j​Hi,j​1​x=1∑Wi,j​​y=1∑Hi,j​​(ϕi,j​(IS​)x,y​−ϕi,j​(GθG​​(IB​))x,y​)2(4)
  很容易理解，条件GAN都类似的，并不是和原始的分布去比较，而是找到一个对应的分布（去噪，图像转换等等），如上述即很简单地用到了均方差来作损失。

• 训练过程如下所示。很明显地，生成器输入模糊图像，要求输出恢复图像；判别器用来评价好坏，条件GAN的充分体现。在测试的时候，仅需要生成器即可。

  
  

• 运动模糊生成。先随机轨迹生成，然后模糊核就根据该轨迹向量对像素处理。

• 点赞
• 收藏
• 分享
• • 文章举报

强大源 发布了30 篇原创文章 · 获赞 15 · 访问量 1万+ 私信 关注

标签：Blind,模糊,DeblurGAN,Conditional,Adversarial,GAN,图像,mathcal,IB
来源： https://blog.csdn.net/qq_42192910/article/details/104479014

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。