融合DenseNet的多尺度图像去模糊模型

摘要：

多尺度卷积神经网络被广泛应用在图像去模糊领域,但在不同尺度上对网络参数进行独立设定的方法会导致网络训练难,并且产生参数过大、稳定性降低、无约束解空间等问题.针对多尺度算法存在的上述问题提出了跨尺度共享网络权重并融合DenseNet的图像去模糊算法.该模型采用编码器-解码器结构,并通过引入密集块来改进该结构,从而形成独特的编解码器密集网络,能最大程度获取深层次特征信息.同时提出跨尺度权重共享的方法,使得在尺度迭代的过程中共享参数,显著降低了训练难度,明显提升了稳定性,优势是双重的.将训练所得模型在大规模运动图像去模糊数据集GOPRO和图像盲去模糊数据集Kohler上进行实验,结果表明,该模型在定性和定量条件下明显优于现有方法,并且能够同时在主观视觉和实验数据上优于其他算法.相比近年来该领域出现的其他方法,该方法具有更简单的网络结构、更少的参数和更容易训练等特点.提出的算法在主客观评价上都表现良好,能够处理多种模糊核,鲁棒性强,可应用于运动图像的去模糊处理.

关键词：图像去模糊;多尺度;编解码器;权重共享;密集块

所属期刊栏目：57

分类号：TN911.73

资助基金：国家自然科学基金青年基金;辽宁省自然科学基金

在线出版日期：2021-12-22（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：219-226