基于DeblurGAN和低秩分解的去运动模糊

为研究出一种快速且有效的图像去模糊方法,基于DeblurGAN提出一种利用条件生成对抗网络实现的端到端图像去运动模糊方法。该方法将DeblurGAN的标准卷积层改成瓶颈结构,并对瓶颈结构中的卷积进行低秩分解,且添加两个残差对称跳跃连接,以加速网络收敛。为解决DeblurGAN复原图像不够清晰这个问题,向网络损失函数添加互信息损失和梯度图像L1损失,通过最大化输入图像和其隐含特征间的互信息,使所提取的隐含特征能很好地表征输入信息,从而利用隐含特征还原出清晰图像,而L1损失有利于使复原图像的边缘更明显。同时,通过实验对该方法的有效性进行了验证,并与其他已有的同类算法进行了比较。结果表明:相比DeblurGAN,文中方法峰值信噪比更高,两者的结构相似性指标相当,且文中模型参数量压缩至DeblurGAN的3.25%,去模糊速度提高3倍,模型性能优于已有的其他同类算法。