《表1 在合成数据集上PSNR和SSIM结果》

《表1 在合成数据集上PSNR和SSIM结果》   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
《基于高分辨率特征保持的图像去模糊》


  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

本文选择与目前的去模糊方法进行对比实验,包括经典去模糊方法:Xu等[6]提出的基于L0稀疏度量的去模糊算法、Zhang等[9]提出的基于不同强度先验对图像进行去模糊算法;以及近期基于深度学习的去模糊方法:Nah等[12]提出的基于多尺度去模糊卷积神经网络、Tao等[13]提出的尺度循环去模糊网络(scalerecurrent network,SNR)、Kupyn等[4,15]先后提出的Deblur GAN、Deblur GAN-v2、Gao等[16]提出的选择性参数共享跳跃连接去模糊网络.采用峰值信噪比(peak signal-to-noise ratio,PSNR)、结构相似性(structural similarity,SSIM)、参数量及运行时间等客观评价指标对去模糊算法所恢复的图像质量进行评价,各方法实验结果如表1所示.由表1可以看到,本文提出的高分辨率特征保持网络去模糊方法在GOPRO测试集上取得了最高的SSIM值.PSNR也取得相对较高值.此外,由表1可以看出,Xu等[6]提出的基于L0稀疏度量的去模糊算法需要进行复杂模糊核估计,因此运行时间较长,而且容易出现振铃和纹路.Nah等[12]提出的基于多尺度去模糊卷积神经网络存在参数量大、实时性差等问题.