DeblurGAN-v2去模糊（数量级）更快更好

Related work

•Image Deblurring 根据先验假设模糊核->CNN对模糊核进行估计->端到端的无内核清晰图像估计->GAN用于去模糊 

•Generative adversarial networks Least Squares GANs discriminator提供了更平滑和不饱和的梯度 Relativistic GAN估计给定的真实样本比假样本更真实的概率

Contribution

•Framework Level   Feature Pyramid Network(FPN)   A relativistic discriminator with a least-square loss 

•Backbone Level   Inception ResNet-v2   MobileNet   MobileNet-DSC 

•Experiment Level   faster

Technical architecture
Double-Scale RaGAN-LS Discriminator

•GoPro dataset 3214个图像对，2103对用于训练，1111对用于评估 

•DVD dataset 71个真实世界的视频，平均短曝光近似长曝光，生成了6708个合成的图像对 

•NFS dataset 75个视频，另外还有从别的设备中获取的25个序列

Analysis

对比： 

•->FPN的引入，特征重用减少参数，加快速度 

•WGAN->相对GAN和最小二乘GAN，更稳定的训练，从而可以选择轻量级网络，加快速度 

•PatchGAN->全局和局部PatchGAN，增加准确度 启发： 

•注重loss的设置，L1,L2更注重像素级，会导致模糊，加一个可以使边缘锐化的loss？ 

•学习残差