[论文解读] Scale-recurrent Network for Deep Image Deblurring
本文提出了一种用于深度图像去模糊的尺度循环网络（SRN-DeblurNet），通过在多尺度特征间共享权重来减少参数量并提高训练稳定性。通过将尺度循环结构与编码器-解码器残差块设计相结合，该方法在GOPRO数据集上实现了30.10 PSNR的最先进性能，推理时间为1.6秒，在去模糊质量与效率方面均优于以往基于学习的方法。
In single image deblurring, the "coarse-to-fine" scheme, i.e. gradually restoring the sharp image on different resolutions in a pyramid, is very successful in both traditional optimization-based methods and recent neural-network-based approaches. In this paper, we investigate this strategy and propose a Scale-recurrent Network (SRN-DeblurNet) for this deblurring task. Compared with the many recent learning-based approaches in [25], it has a simpler network structure, a smaller number of parameters and is easier to train. We evaluate our method on large-scale deblurring datasets with complex motion. Results show that our method can produce better quality results than state-of-the-arts, both quantitatively and qualitatively.
研究动机与目标
- 为解决现有多尺度卷积神经网络在图像去模糊任务中的局限性，特别是参数量过高和训练不稳定的问题。
- 通过在不同尺度间共享网络权重，提升训练效率并增强模型泛化能力。
- 设计一种更有效的网络架构，以增强特征学习能力与感受野，适用于复杂运动模糊的去模糊任务。
- 在真实世界和合成模糊图像上，实现定量指标与视觉质量的最先进性能。
提出的方法
- 提出一种尺度循环网络（SRN），在从粗到细的去模糊流程中，所有尺度层级共享同一组参数。
- 在每个尺度内引入编码器-解码器残差块结构，以增强特征表示能力与感受野。
- 采用带有隐藏状态的循环模块，隐式捕捉跨尺度依赖关系，提升特征精炼效果。
- 采用端到端训练并共享权重，以减少参数量，并在不同尺度间模拟数据增强效果。
- 在每个尺度上应用残差块（ResBlocks），以稳定训练过程并改善梯度流动。
- 设计一个多尺度框架，使同一网络在逐步细化的分辨率上迭代应用。
实验结果
研究问题
- RQ1如何设计一种更参数高效且训练稳定的多尺度卷积神经网络用于图像去模糊？
- RQ2在深度去模糊网络中，跨尺度共享权重是否能提升训练稳定性和泛化能力？
- RQ3在多尺度中引入循环模块是否能增强特征精炼效果与重建质量？
- RQ4简化且轻量的架构是否能在图像去模糊任务中超越复杂、多分支的网络结构？
主要发现
- 所提出的SRN-DeblurNet在GOPRO测试集上达到30.10 PSNR与0.9323 SSIM，显著优于此前最先进方法（Nah et al.，29.08 PSNR）。
- 在Köhler数据集上，该方法实现26.80 PSNR与0.8375 MSSIM，优于Nah et al.（26.48 PSNR）与Sun et al.（25.22 PSNR）。
- 与Nah et al.相比，训练时间减少约4倍，推理时间减少超过45%，同时参数量不足其三分之一。
- 视觉结果表明，边缘更清晰，细节更分明，且伪影更少，即使在先前方法失效的极端运动模糊情况下亦表现优异。
- 该模型在真实世界模糊图像上泛化能力出色，无需微调即可生成高质量结果。
- 消融实验证实，尺度循环结构与编码器-解码器残差块对性能至关重要，每尺度使用3个残差块为最优配置。
更好的研究，从现在开始
从论文设计到论文写作，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。