深度单一图像失焦通过高斯核混合学习模糊

科学领域:

• 计算机视觉 计算机视觉
• 图像处理 图像处理
• 深度学习 (Deep Learning) 是一种深度学习.

背景情况:

• 失焦模糊是一种常见的摄影艺术品,降低了图像质量.
• 失焦图像中的空间变化的模糊性对恢复构成了重大挑战.
• 现有的消除模糊的方法在大型复杂模糊的效率和准确性方面扎.

研究的目的:

• 开发一个端到端的深度学习方法,用于单个图像的失焦.
• 为了准确地建模和去除空间变化的失焦模糊.
• 为了实现高质量的图像恢复,提高计算效率.

主要方法:

• 提出了一个像素智能的高斯核混合 (GKM) 模型,以参数化空间变化的失焦点扩散函数 (PSF).
• 引入了一个分组GKM (GGKM) 模型,通过解系数有效地提高建模准确性.
• 开发了GGKMNet,这是一个深度神经网络,它使用基于GGKM的模糊消除的固定点代,使用规模循环架构进行粗细系数估计.

主要成果:

• GGKMNet成功地从单个失焦图像中恢复了全焦图像.
• 该模型在五个基准数据集中展示了优越的恢复质量,与现有的脱焦脱模糊方法相比.
• GGKMNet显示了模型复杂度的降低和计算效率的提高.

结论:

• 拟议的GGKMNet有效地解决了使用创新的深度学习框架的空间变化的失焦模糊的挑战.
• 该方法提供了一个计算效率高,准确的解决方案,用于单图像失焦.
• GGKMNet代表了摄影应用中的图像修复的重大进步.