【技术实现步骤摘要】
一种基于时空频率感知的深度图像去模糊方法
[0001]本专利技术涉及图像去模糊
,具体涉及一种基于时空频率感知的深度图像去模糊方法。
技术介绍
[0002]视频去模糊作为一项基础的视觉任务,旨在通过利用内在的时间信息从模糊序列中恢复清晰帧。因此,许多研究都致力于探索模糊序列中隐藏的时间信息的潜力,这些研究可以分为两大类:传统优化方法和基于深度学习的方法。
[0003]传统优化方法通常强调对模糊退化过程的假设,并应用一些手工设计的时间先验来缓解视频去模糊,例如,时间清晰度先验、运动模糊先验和时间连贯性先验。然而,这些先验很难设计,相应的方法也很难优化,从而限制了它们的实用性。
[0004]近年来,基于深度学习的视频去模糊方法在解决上述挑战方面的取得了很多进展。它们大多遵循通用的流程:特征提取、对齐、融合和优化。比如,先驱性的EDVR通过重新设计的可变形卷积来隐式地进行对齐,还有些工作采用了渐进式的细化方案来执行更精确的时间建模的运动补偿。但上述策略只从空间域的角度研究了时间信息,并没有充分探索其潜力。
[0005]本专利技术提供一种新的解决方案,以有效地建模时间先验信息,并最终实现图像去模糊。
技术实现思路
[0006]为解决上述技术问题,本专利技术首先分别在空间域和频域重新审视模糊
‑
锐利对之间的差异,然后沿着时间维度展开模糊
‑
清晰图像对在频谱上的能量信息;通过对这些先验信息的有效探索,本专利技术设计了一种基于时空频率感知的深度图像去 ...
【技术保护点】
【技术特征摘要】
1.一种基于时空频率感知的深度图像去模糊方法,将频率
‑
时间信息整合到视频去模糊框架,将(2N+1)个连续的模糊帧B
t+i
,i=0,
±
1,
±
2,
…
,
±
N输入到完成训练的视频去模糊框架中,在清晰图像S
t
的指导下,得到复原图像I
t
;t表示当前时刻;视频去模糊框架包括空间
‑
频率特征提取模块、谱先验引导的对齐模块、时序能量注意力模块;模糊帧B
t+i
通过若干层卷积层后得到初始特征空间
‑
频率特征提取模块包括空间分支和频率分支,空间
‑
频率特征提取模块的输入为初始特征输出的特征为空间分支采用了若干卷积来捕获空间内容和细节;频率分支负责模糊退化建模,并通过离散傅里叶变换将输入特征分成幅度谱和相位谱;空间分支和频率分支融合后得到输出的特征将特征输入谱先验引导的对齐模块,输出对齐特性谱先验引导的对齐模块首先采用傅里叶变换来获取空间特性的频谱,由于频谱上包含了运动方向的信息,因此在提取到的频谱特征的引导下,特征能够被用于实现对齐;对齐部分采用一个可形变卷积以及图像金字塔策略来从第t+i帧的特性中隐式地学习到第t帧的特性的变形函数;时序能量注意力模块,将对齐特性输入到时序能量注意力模块,时序能量注意力模块将相邻帧中的较清晰的区域并聚合到复原图像中,并在空间和频率信息的指导下,多帧信息被融合并输出融合特征融合特征经过空间
‑
频率特征提取模块以及若干个卷积层得到最终的复原图像I
t
;通过使用空间损失和频率损失来衡量恢复图像I
t
和清晰图像S
t
之间的差异,来训练视频去模糊框架;其中,空间损失L
spa
为在空间域中采用的Charbonnier惩罚函数;频率损失由来自地面真实幅度的监督L
spec
和来自能量光谱的监督L
ener
所组成。2.根据权利要求1所述的基于时空频率感知的深度图像去模糊方法,其特征在于,空间
‑
频率特征提取模块得到输出特征的过程,具体包括:空间分支采用了若干卷积来捕获空间内容和细节;频率分支负责模糊退化建模,并通过离散傅里叶变换将输入特征分成幅度谱和相位谱;对幅度谱和相位谱进行卷积处理,并通过离散傅里叶逆变换将卷积处理结果反转到空间域:其中,表示从频谱的角度提取到的频谱特征,A...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。