DeblurGAN-v2: Deblurring (Orders-of-Magnitude) Faster and Better 论文笔记

最新推荐文章于 2024-04-24 17:56:53 发布

Unsunshine_Bigboy_?

最新推荐文章于 2024-04-24 17:56:53 发布

阅读量578

点赞数

CC 4.0 BY-SA版权

文章标签：论文阅读

本文链接：https://blog.youkuaiyun.com/weixin_46872424/article/details/128842110

文章提出了一个新的条件生成GAN网络用于图像恢复，特别是运动去模糊。创新点包括金字塔模型的生成器、结合Inception-ResNet-v2和MobileNet的架构以及多尺度辨别器设计。实验显示，该方法在多个数据集上表现优秀，模型小、速度快，且在PSNR和SSIM指标上有良好效果。然而，训练过程的复杂性未详细讨论。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

前言

基于GAN网络的条件生成任务用于图像恢复任务，在论文中主要针对运动去模糊。本文创新点主要有三个：①提出了一种新的条件生成GAN网络，生成器用的是金字塔模型搭建；②在生成器的主框架上使用了Inception-ResNet-v2和MobileNet；③在实验上这种方法对比其他的方法模型更小，计算速度更快，并且在结果上取得了不错的效果。

网络框架

网络整体框架主要如上，分为生成器和辨别器。生成器主要是基于U型结构的Inception-ResNet-v2和MobileNet，辨别器分为两个，第一个是全局辨别器，对整幅图片进行辨别；第二个是随机局部辨别器，将图片分成不同的patch，然后随机选取进行辨别，两者共同作用。

实验

论文分别在GoPro Dataset、Kohler dataset、DVD dataset、Lai dataset进行了实验，并且对比了不同的主框架结果，在PSNR、SSIM指标和计算速度上取得了相对不错的效果。

GoPro Dataset

Kohler dataset

DVD dataset

Lai dataset

消融实验

对比不同的模型结构和损失函数带来的结果，并且提出了一个新的混合数据集Restore Dataset。

总结

本文提出的方法是基于GAN的条件生成图像恢复任务，其实创新点不是很多，网络结构在现在看来也是直接参考的Resnet，不过在辨别器上提出了多尺度混合的方法并且取得了不错的效果。基于GAN的方法训练过程会比较复杂，但是文中没有给出在训练过程中遇到的困难和解决方法。