论文部分内容阅读
图像作为一种重要的信息载体,包含了丰富的信息,成为人们记录生活、交流情感的主要方式。运动图像去模糊作为图像复原技术的一种,应用价值正在不断增加。随着人工智能时代的来临,深度学习在图像领域发挥着重要作用,生成对抗网络GAN作为一个优秀的生成模型,广泛应用于图像生成、修复、分类、风格迁移等领域。图像去模糊历来是图像处理领域的研究热点,如何改善网络性能,加快训练速度,提升图像质量都成为了备受关注的焦点问题。为了使模型能用于真实场景中并进一步提高生成图像的质量,本文以生成对抗网络为基础,有针对性地进行了改进和优化,提出了解决去模糊问题的一种新思路。本文算法模型优势主要有以下几点:1.使用真实拍摄的图片作为训练集,无论在成对和非成对的数据集下都能进行训练,因此在真实场景下具有更强的泛化能力。2.运用图像翻译的方法,采用两个“对偶形式”的条件生成对抗网络,将图像去模糊问题转化为模糊域和清晰域之间相互转换的问题。3.模型设计中采用全局残差连接,以WGAN作为判别器,分别用ResNext、ResNetv2替代ResNet残差网络模块,加入SFTGAN超分辨率重建结构提升图像边缘、纹理效果,最终还原出清晰、自然的图像。4.结果评价时使用了Yolo-v3物体识别法,结合常规指标全面衡量图像质量。本文方法在Gopro数据集和Lai数据集上进行实验并取得了不错的去模糊效果,特别是在Gopro数据集上,SSIM、PSNR值比基准模型CycleGAN分别提升了15.97%和1.51%,同时取得了与成对数据集算法相近的结果,在对残差模块进行改进后提升更加明显。通过对比实验对模型结构、损失函数进行优化后,SSIM、PSNR、Yolo识别率等各项指标更接近甚至优于成对数据集上的其他算法,为解决实际场景下的运动模糊问题提供了有力的帮助。