用于学习图像去模糊的真实感模糊合成

基于学习的去模糊方法的训练需要大量模糊图像与清晰图像的配对数据。然而，现有的合成数据集在真实感方面仍显不足，基于此类数据训练的去模糊模型难以有效处理真实场景下的模糊图像。尽管近年来已有真实数据集被提出，但其场景多样性与相机设置的覆盖范围仍然有限，且针对多样化拍摄条件采集真实数据集仍面临较大挑战。为解决这一问题，本文系统分析了导致真实模糊图像与合成模糊图像之间差异的多种因素。为此，我们提出了RSBlur——一个包含真实模糊图像及其对应清晰图像序列的新数据集，旨在实现对真实与合成模糊之间差异的深入分析。基于该数据集，我们揭示了模糊生成过程中各类因素的影响。在此分析基础上，我们进一步提出了一种新型的模糊图像合成流程，能够生成更具真实感的模糊图像。实验表明，所提出的合成方法可显著提升去模糊模型在真实模糊图像上的性能表现。