前言

图像模糊是实际生活、生产活动中的成像系统普遍存在着的一种退化现象，往往由成像设备自身的散焦、抖动或是在成像过程中与目标对象之间的相对运动造成的

数据集

1. 卷积清晰图像合成
2. 平均连续帧作为模糊图像，中间帧作为清晰图像
3. 使用分光镜+两台相机，不同帧率拍摄清晰和模糊图像

GoPro数据集（2017）

评价动态场景去模糊方法的标准数据集,通过对高频相机采集的多个连续帧取平均的方法生成动态模糊图像

数量：3214
分辨率：720×1280
train: 2103
eval: 1111

缺陷：图像存在较为严重的噪声、较大范围的平滑区域

Gao（2019）

数量：5290
分辨率：720×1280

采用了3种策略来避免GoPro数据集上述缺陷问题。

• 首先，该数据集为白天拍摄，有效地减少了图像噪声；
• 然后，对有足够细节的场景进行采样，避免图像中存在大面积的平滑区域；
• 避免记录高速运行的车辆或物体，而出现没有对应的清晰帧的情况

HIDE数据集（2020）

为了充分捕捉被动的设备干扰造成的动态模糊，包含大范围和近距离场景的模糊图像

数量：8244
分辨率：720×1280

RealBlur-J

RealBlur-R

REDS

MSU BASED

RSBlur

DVD

ReLoBlur

使用分光境采集的真实世界局部模糊数据集，出自AAAI2023论文 Real-World Deep Local Motion Deblurring

数量：2405
大小：2152x1436

SIDD

DND

算法

• DeblurGAN
• DeblurGAN-v2
• FMD-CGAN
• lakdnet
• Uformer
• maxim
• shift-net
• EFNet
• NIRE
• VRT
• SFNet
• FMA-Net超分和去模糊
• Awesome-Deblurring

算法贡献

1. LEDNet 2022

贡献：

1. LOL-Blur数据集，低照度联合模糊大规模、多样性真实退化PIPLE
2. LEDNet SOTA模型，在低照度联合去模糊上达到SOTA性能

指标: LOL-Blur

PSNR: 25.74
SSIM: 0.850
NIQE: 4.764

详情见下表

评价：低照度加去模糊，更符合真实数据分布，可以测试再评估

2. IPT 2021

32 Nvidia NVIDIA Tesla V100 300epochs 256 batch size

贡献：底层视觉预训练模型

提出基于transformer的预训练模型

性能：114M parameters and 33G FLOPs

评价：对去模糊任务参考意义不大

3. GShift-Net 2022

贡献：

1. 提出分组时空位移来聚合时间特征
2. 在视频去模糊和视频去噪超高SOTA方法，并且需要更少的算力

性能：GoPro

PSNR: 35.88
SSIM: 0.979

评价：SOTA性能，视频不闪缩，更低的计算复杂度，可以作为参考，进一步测试

4. DLENet 2023

基于事件相机,华为

卷积网络 事件相机 LSTM

指标GoPro

PSNR: 35.61
SSIM: 0.973
Params: 12M

评价：原理上来说，事件相机确实是个好方向，但会增添成本

5. Uformer 2021

贡献:

1. 提出了一个局部增强的自注意力窗口LeWin，显著降低高分辨率计算复杂度
2. 提出了一种可学习的多尺度恢复调制器，以多尺度空间偏差的形式来调整Ufoster解码器的多层特征

指标：GoPro

PSNR: 32.97
SSIM: 0.967

LBAG

contributions:

1. 提出局部真实模糊数据集
2. 提出LBAG SOTA网络

指标：ReLoBlur

PSNR: 34.85
SSIM: 0.9257

LaKDNet

参考

• [1]李晓光,杨飞璠,卓力.动态场景图像去模糊技术研究进展[J].北京工业大学学报,2021,47(08):982-990.
• [2]刘龙飞,李胜,赖舜男.神经网络在退化图像复原领域的进展综述[J].图学学报,2019,40(02):213-224.
• [3]李海波,邵文泽.图像盲去模糊综述:从变分方法到深度模型以及延伸讨论[J].南京邮电大学学报(自然科学版),2020,40(05):84-94.DOI:10.14132/j.cnki.1673-5439.2020.05.009.
• [4]龚颖,许文韬,赵策等.生成对抗网络于图像修复领域应用综述[J/OL].计算机科学与探索:1-27[2024-02-21].http://kns.cnki.net/kcms/detail/11.5602.TP.20230907.1513.004.html.
• [5]Li H, Zhang Z, Jiang T, et al. Real-world deep local motion deblurring[C]//Proceedings of the AAAI Conference on Artificial Intelligence. 2023, 37(1): 1314-1322.
• [6]Li, Dasong, Xiaoyu Shi, Y. Zhang, Ka Chun Cheung, S. See, Xiaogang Wang, Hongwei Qin and Hongsheng Li. “A Simple Baseline for Video Restoration with Grouped Spatial-Temporal Shift.” 2023 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) (2022): 9822-9832.
• [7]deblurring-paperswithcode