基于模糊无关运动估计与像素体的循环视频去模糊

视频去模糊的成功关键在于有效利用邻近帧的信息。目前大多数先进的视频去模糊方法通过在视频帧之间进行运动补偿，聚合多帧信息以帮助恢复目标帧的清晰度。然而，以往去模糊方法所采用的运动补偿机制并非对模糊具有不变性，因此在处理模糊程度不同的模糊帧时，其精度受到限制。为缓解这一问题，我们提出两种新颖的方法，通过高效聚合多帧信息来实现视频去模糊。首先，我们提出一种模糊不变的运动估计学习方法，以提升模糊帧之间的运动估计精度。其次，在运动补偿过程中，我们摒弃了以往基于估计运动进行图像扭曲对齐的方式，转而采用包含候选清晰像素的像素体（pixel volume）来校正运动估计误差。我们将上述两种机制相结合，提出一种高效的递归视频去模糊网络，充分挖掘已去模糊前序帧的信息。实验结果表明，与近期基于深度学习的方法相比，本方法在定量和定性评价上均达到了当前最优的性能。