《表2 在GOPRO数据集上去模糊性能的定量比较》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《密集连接卷积网络图像去模糊》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

注:加粗字体为每行最优结果；时间均是在GPU加速的条件下测试。

通过表2的定量对比和图5定性对比，可以看出本文方法在去模糊的质量上相比于其他方法有明显提高。Xu和Jia（2010），Kim和Lee（2014）和孙士洁等人（2017）基于传统方法进行去模糊，虽然这类方法有一定的去模糊效果，但是物体边缘并不清晰，一幅图的复原时间也过长，满足不了现实的应用。Sun等人（2015）利用神经网络来估计模糊核，再进行去模糊，可以明显地看到，这种方法在GO-PRO数据集上并不适用，不能准确地估计大部分模糊核，去模糊后的图像清晰程度不高，复原时间也过长。Nah等人（2017）算法重建的图像比较清晰，但是在细节上仍比较模糊。本文结果与Kupyn等人（2018）算法在视觉上都较为清晰，能清楚地复原出图像的细节，如模糊的车牌号码、远处的电线。通过表2的定量对比，可以看出从图像处理效果和时间效率等综合因素考虑，本文算法明显更胜一筹。原因是相对于Kupyn等人（2018），本文引入了DenseNet网络，使得网络较低层的信息能够更充分地传到高层，进一步提高了信息利用率。可以看出，本文方法在GOPRO数据集上复原质量高、时间短。