DeblurGAN-v2去模糊（数量级）更快更好

最新推荐文章于 2025-05-27 07:43:34 发布
最新推荐文章于 2025-05-27 07:43:34 发布
阅读量1.6k 收藏 2
点赞数 1
CC 4.0 BY-SA版权
分类专栏： 深度学习 数据集 文章标签： 深度学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/iFlyAI/article/details/107037959

image.pngRelated 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
image.pngDouble-Scale RaGAN-LS Discriminator

image.png

•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image.png

image.png

image.png 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

目标检测YOLO实战应用案例100讲-毫米波辐射图像去模糊重建与目标检测
qq_36130719的博客
09-11 769
最近数年，由于国内外频繁出现的恐怖袭击和暴力犯罪等社会问题，且恐怖作案手 法花样繁多，反恐战争正愈演愈烈。在重要交通站枢纽、繁华商务圈等公众集中地段设 置高精度的安全检查设施尤为重要。目前，我国所有的大型公共场所（如轨道交通、飞 机场、航运等等）的安防检查设备都能够检测乘客行李中携带的违禁物品，但是由于个 人隐私问题无法即时高效的检测出乘客贴身携带的危险物品。目前的安检设备，主要分为两种类型：即X射线安检仪和金属检测仪，分别针对物品和人体进行安全检查。
DeFMO: Deblurring and Shape Recovery of Fast Moving Objects
qq_44941395的博客
10-13 3230
DeFMO: Deblurring and Shape Recovery of Fast Moving Objects 论文链接 一、摘要和介绍 摘要: 用相机拍摄高速移动的物体时，会明显模糊。而当拍摄的对象具有复杂的形状或纹理时，本就模糊的外观会更模糊。在这种情况下，一些经典方法甚至人类都无法恢复对象的外观和运动。该论文提出了一种方法，该方法在给定单个图像及其估计背景的情况下，在一系列子帧中输出对象的外观和位置，就像由高速摄影机（即时间超分辨率 temporal super-resolution）捕获一样
更好也更快！最先进的图像去模糊算法DeblurGAN-v2
我爱计算机视觉
08-14 3019
点击我爱计算机视觉标星，更快获取CVML新技术以GAN为代表的生成模型正在视觉造假的路上越来越成熟，狗变猫、白马变斑马、实景变素描是GAN用于高级图像生成的例证。能否将GAN应用于低级的...
DeblurGAN-v2: Deblurring (Orders-of-Magnitude) Faster and Better
AI浩
04-24 2127
我们提出了一种新的端到端生成对抗网络（GAN），用于单图像运动去模糊，名为DeblurGAN-v2，该网络大大提升了去模糊的效率、质量和灵活性。DeblurGAN-v2基于具有双尺度判别器的相对论条件GAN。我们首次将特征金字塔网络引入去模糊领域，作为DeblurGAN-v2生成器的核心构建块。它可以灵活地与各种骨干网络配合使用，以在性能和效率之间取得平衡。使用先进的骨干网络（例如，Inception-ResNet-v2）可以带来稳固的先进的去模糊效果。
DeblurGAN-v2: Deblurring (Orders-of-Magnitude) Faster and Better论文阅读
最新发布
yangqoor的博客
05-27 1089
创新点技术细节效果FPN多尺度特征融合跨层连接重建高分辨率特征，替代多尺度输入处理计算量减少78%（411G FLOPs vs SRN 1434G），PSNR提升0.56 dB灵活骨干网络Inception-ResNet-v2（高性能） vs MobileNet-DSC（轻量）MobileNet-DSC模型仅4 MB，支持25 FPS实时处理双尺度RaGAN-LS判别器全局+局部判别器，RaGAN-LS损失加速训练SSIM提升0.007（表5），生成图像边缘更清晰（图5对比）
DeblurGAN-v2：更快更好地去模糊
weixin_53711236的博客
02-27 3522
概述 我们提出了一种新的端到端生成对抗网络 (GAN)，用于单图像运动去模糊，名为 DeblurGAN-v2，它大大提高了最先进的去模糊效率、质量和灵活性。DeblurGAN-v2 基于具有双尺度鉴别器的相对论条件 GAN。我们首次将特征金字塔网络引入去模糊，作为 DeblurGAN-v2 生成器的核心构建块。它可以灵活地与各种主干一起工作，以在性能和效率之间取得平衡。复杂主干的插件（例如，Inception-ResNet-v2）可以实现最先进的去模糊。同时，借助轻量级骨干网（例如，MobileNet 及
GAN方法去模糊-DeblurGANv2
机器学习社区
01-10 4353
DeblurGANv2是乌克兰天主教大学的Orest Kupyn等人提出的一种基于GAN方法进行盲运动模糊移除的方法。它在第一版DeblurGAN基础上进行改进而来，通过引入Feature Pyramid Network与轻量型backbone等使得DeblurGANv2取得更快、更优的性能。作者首次将FPN引入到去模糊中作为生成器的核心模块。 FPN可以与大量的backbone协作，可以轻松的在性能与效率方面取得均衡。FPN-Inception-ResNet-v2集成取得了SOTA性能，而FPN-Mobi
deblurGAN-v2 去模糊深度学习算法。
u010451780的专栏
07-07 3729
https://blog.youkuaiyun.com/weixin_42784951/article/details/100168882 论文：https://arxiv.org/pdf/1908.03826.pdf 代码：https://github.com/TAMU-VITA/DeblurGANv2 abstract 我们提出了一个名为DeblurGAN-v2的端到端的生成对抗网络，它对于去模糊产生了非常好的性能。DeblurGAN-v2基于conditional GAN(带有两个判别器)。我们将特征金字塔网
DeblurGAN-v2: Deblurring (Orders-of-Magnitude) Faster and Better 阅读笔记
weixin_45926697的博客
01-19 1711
在PSNR/SSIM方面，DeblurGAN-v2 (Inception-ResNet-v2)和SRN排在前2位DeblurGAN-v2 (Inception-ResNet-v2)的PSNR略低，因为它不是在纯MSE损失下训练的，但它在SSIM中优于SRN。然而，请注意，与GoPro案例类似，这个“几乎平局”的结果是在DeblurGAN-v2 (Inception-ResNet-v2)的推理复杂性仅为SRN的1/5的情况下实现的。对DeblurGAN-v2管道的特定成分的影响进行了消融研究。
图像去模糊之DeblurGAN-v2
热门推荐
年轻即出发，
05-27 2万+
论文：DeblurGAN-v2: Deblurring (Orders-of-Magnitude) Faster and Better Github：https://github.com/TAMU-VITA/DeblurGANv2 https://github.com/KupynOrest/DeblurGANv2 ICCV 2019 论文提出了DeblurGAN的改进版，DeblurGAN-v2，在efficiency, quality, flexibility 三方面都取得了sta..
DeblurGAN-v2: Deblurring (Orders-of-Magnitude) Faster and Better 图像去模糊
like_jmo的博客
11-05 5060
设计了一个新的端到端的生成对抗网络，为了解决运动中图像模糊问题，DeblurGAN-V2，基于relativistic conditional GAN（拥有双尺度鉴别器） 首次将特征金字塔引入到去模糊问题，作为生成器的核心模块。可以灵活搭配各种主干网络，选择Inception-ResNet-v2主干网络可以获得更高的图片质量，采用轻量级网络像MobileNet和他的变形体可以获得更快的速度。 DeblurGAN-v2 在去模糊质量以及效率方面在几个流行的基准测试中获得了非常有竞争力的性能。
DeblurGAN:通过DeblurGANv2网络对图像进行去模糊以改善图像清晰度
03-16
DeblurGAN 通过DeblurGANv2网络对图像进行去模糊以改善图像清晰度
deblurGAN V2预训练模型.zip
02-10
deblurGAN V2预训练模型.zip
Python-用Keras实现基于GAN的图像去模糊应用
08-11
Keras implementation of "DeblurGAN: Blind Motion Deblurring Using Conditional Adversarial Networks"
deblurGAN代码
09-06
去模糊代码拍照时手抖，或者画面中的物体运动都会让画面模糊，女友辛辛苦苦摆好的各种Pose也将淹没在各种模糊的线条中，是时候要有一种新的算法解救水深火热中的你了。
TensorFlow框架的DeblurGan训练模型
05-10
DeblurGan训练好的模型，一共三组。 一组为处理高斯模糊的模型，其他两组为处理运动模糊的模型。 百度云分享。 深度学习
模糊（二）DeblurGAN
weixin_41386168的博客
08-26 973
论文主要贡献： 1）提出基于cGAN的网络DeblurGAN 和content loss 2) 提出一个合成模糊图像的方法 损失函数 Adversarial loss WGAN-GP：实现了在多种GAN结构上稳定训练，且几乎不需要调整超参数。 Content loss 内容损失，也就是评估生成的清晰图像和ground truth之间的差距。 两个常用的选择是L1（也称为MAE，mean absolute error）损失，和L2（也称为MSE）损失。 最近提出了“percep...
DeblurGANv2翻译
wahahahaha__的博客
07-05 1668
图像去模糊 DeblurGANv2翻译 摘要 我们提出了一种新的端到端生成对抗网络 (GAN)，用于单图像运动去模糊，名为 DeblurGAN-v2，它大大提高了最先进的去模糊效率、质量和灵活性。 DeblurGAN v2 基于具有双尺度鉴别器的相对论条件 GAN。我们首次将特征金字塔网络引入去模糊，作为 DeblurGAN-v2 生成器的核心构建块。它可以灵活地与各种主干一起工作，以在性能和效率之间取得平衡。复杂的主干（例如，Inception-ResNet-v2）的插件可以导致最先进的去模糊。.....
DeblurGANv2图像去模糊算法代码实践！
爱CV
10-23 9359
1.起源：GAN 结构与原理 在介绍DeblurGANv2之前，我们需要大概了解一下GAN，GAN最初的应用是图片生成，即根据训练集生成图片，如生成手写数字图像、人脸图像、动物图像等等，其主要结构如下： 我们先由上图的左下方开始，假设现在只有一个样本，即batch size为1，则Random noise是一个由服从标准正态分布的随机数组成的向量。首先，我们将Random noise输入Generator，最原始GAN的Generator是一个多层感知机，其输入是一个向量，输出也是一个向量，然后我
DeblurGAN-v2的FPN结构
02-28
### DeblurGAN-v2中的FPN结构解析 在DeblurGAN-v2中，特征金字塔网络（Feature Pyramid Network, FPN）被用来增强模型对于不同尺度模糊图像细节的理解能力[^2]。 #### 特征提取层的设计理念 FPN通过构建一个自顶向下的路径来补充原有的自底向上路径，在这个过程中引入横向连接以融合来自低层次的空间信息和高层次语义信息。这种设计使得每一层都能够获得高分辨率的特征图以及丰富的上下文理解。 #### 自底向上的通路 该部分主要由卷积神经网络构成，负责从输入图片中抽取基础级别的视觉特征。随着层数加深，感受野逐渐扩大，从而捕捉到更大范围内的模式变化。 #### 自顶而下与横向连接机制 为了弥补传统CNN仅依赖于单一尺度特征所带来的局限性，FPN采用了一种新颖的方式——即利用上采样操作将高层抽象特征传递给较低层，并在此基础上加入相同大小的感受域所对应的浅层特征作为补充。具体来说就是对每一个阶段产生的输出执行最近邻插值放大两倍尺寸后再与相应位置处未经压缩前版本相加得到最终改进后的表示形式。 ```python def fpn_layer(top_down_input, lateral_input): """ 实现单个FPN层级处理逻辑 参数: top_down_input (Tensor): 来自更高级别的top-down信号 lateral_input (Tensor): 当前level的lateral feature map 返回: Tensor: 经过融合处理的新feature map """ # 对顶部传来的数据做1x1 conv调整通道数并缩小空间维度至匹配侧边输入 P = Conv2D(filters=lateral_input.shape[-1], kernel_size=(1, 1))(top_down_input) # 将P上采样回原shape以便后续addition运算 upsampled_P = UpSampling2D(size=(2, 2), interpolation='nearest')(P) # 加法节点实现特征拼接 fused_feature_map = Add()([upsampled_P, lateral_input]) return fused_feature_map ``` #### 多尺度预测头 最后一步是在各个经过强化之后的不同级别特征映射之上附加专门用于生成清晰化结果的小型子网。这些头部可以独立工作也可以共享参数取决于实际应用场景需求。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值