Dynamic Scene Deblurring with Parameter Selective Sharing and Nested Skip Connections

一、Abstract:

动态场景去模糊是一项具有挑战性的低级视觉任务，其中空间变化模糊是由许多因素引起的，例如相机抖动和物体运动。 最近的研究取得了重大进展。 与参数独立性方案[19]和参数共享方案[33]相比，我们通过提出通用有效的选择性共享方案，开发了约束去模糊网络结构的一般原则。 在每个标度的子网中，我们提出了一个嵌套的跳过连接结构，用于非线性变换模块，以替换堆叠的卷积层或残余块。 此外，我们建立了一个新的大型模糊/清晰图像对数据集，以提高恢复质量。 综合实验结果表明，我们的参数选择共享方案，嵌套跳过连接结构和新数据集对于在动态场景去模糊中设置新的最新技术都具有重要意义。

二、contributions:

 1、针对短期和长期跳过连接都没有交叉路径只考虑一阶残差学习，我们为网络中的特征变换
    模块提出了嵌套跳过连接结构，它对应于各个变换模块中的高阶残差学习。它对应于我们去模
     糊网络中转换模块的高阶残差学习。

 2、我们分析了去模糊网络的参数策略，并提出了一个通用的参数选择共享方案，其中包含
    每个规模中子网的独立和共享模块。
 
 3、我们建立了更大，更高质量的数据集，其中包含5,290个模糊/清晰的图像对，以帮助进行网络
    训练。它是公开可获得的，并用于推进一般图像去模糊研究。

三、Proposed Method:

如图1所示，我们的网络由几个堆叠的编码器 - 解码器子网络组成，从每个子网络中生成不同尺度的清晰图像，并作为输入馈送到下一个比例的子网中。 与[33]中的堆叠ResBlock不同，我们的网络由3种模块组成，以执行不同的功能，即特征提取，非线性变换和特征重建。 与[33]相比，我们更好地利用参数并为非线性变换模块设计新的嵌套跳过连接结构。

3.1 Paramete