《表2 在GOPRO数据集上去模糊性能的定量比较》
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。
图表编号 | XD00179357600 严禁用于非法目的 |
---|---|
绘制时间 | 2020.05.16 |
作者 | 吴迪、赵洪田、郑世宝 |
绘制单位 | 上海交通大学电子信息与电气工程学院、上海交通大学电子信息与电气工程学院、上海交通大学电子信息与电气工程学院 |
更多格式 | 高清、无水印(增值服务) |