[论文解读] Edge-Aware Deep Image Deblurring
本文提出EADNet，一种用于单图像盲去模糊的两阶段边缘感知深度学习框架，通过增强边缘结构以提升图像的感知质量。通过集成边缘检测子网与残差全卷积去模糊子网，该模型在基准数据集上实现了最先进性能，边缘更清晰且伪影更少，在PSNR和感知质量方面均优于先前方法。
Image deblurring is a fundamental and challenging low-level vision problem. Previous vision research indicates that edge structure in natural scenes is one of the most important factors to estimate the abilities of human visual perception. In this paper, we resort to human visual demands of sharp edges and propose a two-phase edge-aware deep network to improve deep image deblurring. An edge detection convolutional subnet is designed in the first phase and a residual fully convolutional deblur subnet is then used for generating deblur results. The introduction of the edge-aware network enables our model with the specific capacity of enhancing images with sharp edges. We successfully apply our framework on standard benchmarks and promising results are achieved by our proposed deblur model.
研究动机与目标
- 解决传统去模糊方法依赖强先验且与人类视觉感知不一致的局限性。
- 通过显式引入边缘结构作为关键感知因素，改进深度图像去模糊。
- 设计一种两阶段网络，将边缘检测与去模糊分离，以提升可解释性与性能。
- 在提升去模糊输出边缘锐度的同时，减少感知损失引起的伪影。
- 在计算效率与高质量去模糊结果之间实现平衡。
提出的方法
- 提出两阶段架构：首先，边缘检测子网从模糊图像中提取高频边缘信息。
- 随后，将边缘图与模糊输入融合，以引导残差全卷积去模糊子网实现端到端图像恢复。
- 边缘子网被实现为轻量级、带多监督点的辅助输出网络，以保留边缘细节。
- 应用多尺度边缘损失，以强制预测边缘图与真实边缘图之间的结构相似性。
- 在早期卷积层上计算感知损失，以保留全局纹理与对比度，同时避免放大伪影。
- 模型通过L1损失、感知损失与边缘损失的组合进行训练，以优化像素级精度与人类感知质量。
实验结果
研究问题
- RQ1显式边缘监督能否提升深度图像去模糊结果的感知质量？
- RQ2引入边缘信息在多大程度上影响去模糊图像的锐度与结构保真度？
- RQ3采用分离边缘与去模糊子网络的两阶段设计，在多大程度上提升了模型的可解释性与性能？
- RQ4边缘感知训练能否减少图像恢复中感知损失带来的常见伪影？
- RQ5在标准基准上，该方法在PSNR、SSIM与视觉质量方面与最先进方法相比表现如何？
主要发现
- 在GOPRO基准上，EADNet实现30.78的PSNR与0.9137的SSIM，优于无边缘监督基线（29.53 PSNR，0.9014 SSIM）。
- 完整EdgeNet模型在Kohler数据集上实现26.61的PSNR与0.8297的MSSIM，显著优于无边缘信息的消融版本。
- 仅使用EdgeNet第一层输出（Reduced EdgeNet）时，在GOPRO上实现31.02的PSNR，表明在性能损失极小的情况下具备极高效率。
- 视觉对比显示，EADNet生成的去模糊图像边缘更清晰、更连续，尤其在运动模糊与高斯模糊区域更接近真实图像。
- 边缘感知设计有效减少了感知伪影（如画布状纹理），如图11的放大区域所示，尽管使用了感知损失。
- DeblurNet组件参数量少于9M，Reduced EdgeNet仅0.04M，展现出强大的计算效率。
更好的研究，从现在开始
从阅读论文到最终审阅，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。