Scale-recurrent Network for Deep Image Deblurring 阅读理解

Scale-recurrent Network for Deep Image Deblurring 2018CVPR  腾讯优图出品

code  https://github.com/jiangsutx/SRN-Deblur   代码亲测效果确实不错，但是对于我自己拍的照片出现bad case，跟作者确认过，确实存在。可能是因为作者的模型主要针对运动模糊，一般失焦模糊容易受到矫枉过正的问题。总之模型还需要继续优化

 

给定一个运动或焦点模糊的输入图像，由相机抖动、物体运动或焦点不聚焦，模糊的目标是用必要的边缘结构和细节恢复一个锐利的潜在图像。此外，对模糊模型的简化假设经常会阻碍它们在实际图像处理中的表现，模糊比建模复杂得多，并且与内置的图像处理管道纠缠在一起，各种原每一因综合得到的结果。

不同尺度上有的人采用相同参数，有的采用不同参数，本文在这项工作中，文章建议在不同的尺度上共享网络权重，以显著减少培训难度并引入明显的稳定性优势。

 

文章强调多尺度的重要性，本文对该策略进行了研究，并提出了一种可缩放的网络（SRN-DeblurNet）。它有一个更简单的网络结构，更少的参数，而且更容易进行训练。

1 多尺度，将图像缩放成多种尺度，每一个尺度视为一个子问题，采用一个Encoderdecoder网络进行训练，作者添加了一些修改，例如残差学习等。

2 前一个网络生成的deblur图像作为下一个网络的初始deblur图像。

3 各个子网络之间有一个RNN网络进行信息保留和传递，作者采用LSTM。

Encoder-decoder Network指那些对称的CNN结构，它首先将输入数据逐步转换成具有较小空间大小和更多通道（编码器）的功能图，然后将它们转换回输入（解码器）的形状。

Skip-connections 被广泛用于将不同层次的信息组合在一起。它们也能促进梯度传播和加速收敛

   作者针对他提出的几个模块分别做对比实验：

    1 Multi-scale Strategy 因此作者设计了一个Single-scale model进行对比。

2 Encoder-decoder ResBlock Network

  作者分别设计多个小模块进行对比 ResBlock

 

数据集：GOPRO dataset

https://github.com/jiangsutx/SRN-Deblur