使用基于多层融合和注意力机制的改进U-Net模型进行图像消除模糊的方法
1College of Computer and Control Engineering, Qiqihar University, Qiqihar, 161006, China.
Scientific reports
|December 4, 2023
概括
本研究介绍了一种改进的U-Net模型,用于动态场景图像消除模糊. 这种新的方法增强了特征提取和频率重建,从而带来更高的视觉质量和更高的峰值信号噪声比 (PSNR) 和结构相似性指数 (SSIM) 评分.
科学领域:
- 计算机视觉 计算机视觉
- 深度学习 (Deep Learning) 是一种深度学习.
- 图像处理 图像处理
背景情况:
- 在动态场景中,图像模糊化至关重要.
- 当前的深度学习方法在特征互连和受体场方面存在局限性.
- U-Net提供了可适应的功能集成,具有较少的参数和良好的准确性.
研究的目的:
- 提出一个改进的U-Net模型,用于在动态场景中增强图像消除模糊.
- 为了解决现有的深度学习技术的局限性.
- 为了改善特征提取和细节恢复,以获得更清晰的图像.
主要方法:
- 开发了一种改进的U-Net模型,包含多层特征融合 (MLFF) 模块,用于跨层特征集成.
- 引入了密集的多受体场注意力块 (DMRFAB) 来进行详细的特征提取.
- 提出了使用快速里埃转换来最小化频率差异的频率重建损失函数 (FRLF).
主要成果:
- 拟议的方法显示出卓越的视觉消除模糊效果.
- 在GoPro数据集上实现了31.53的峰值信号噪声比 (PSNR) 和0.948的结构相似度指数 (SSIM).
- 在真实模糊数据集上达到PSNR为31.32和SSIM为0.934.
结论:
- 改进的U-Net模型有效地提高了图像消除模糊的性能.
- MLFF和DMRFAB模块显著提高了特征提取能力.
- FRLF有助于改进频率重建,从而获得更高质量的模糊图像.
