摘要
本文提出了一种从低质量图像中实现真实场景车牌识别（License Plate Recognition, LPR）的算法。我们的方法基于一个包含去噪与校正两个阶段的框架，每个任务均由卷积神经网络（Convolutional Neural Networks, CNNs）完成。在以往的研究中，去噪与校正通常被分别处理，各自采用独立的网络模型。相比之下，本文提出了一种端到端可训练的图像恢复网络——单张噪声图像去噪与校正网络（Single Noisy Image DEnoising and Rectification, SNIDER），旨在联合解决去噪与校正两个问题。该方法通过设计一种新颖的网络结构，实现对去噪与校正任务的协同处理，有效克服了传统方法中任务分离带来的局限性。此外，我们还提出一种结合辅助任务的优化策略，用于多任务联合拟合，并设计了新颖的训练损失函数。在两个具有挑战性的LPR数据集上进行的大量实验表明，所提出的SNIDER方法能够有效从低质量图像中恢复出高质量的车牌图像，且性能优于现有的各类先进方法。