ID-Blau：基于隐式扩散重建模糊增强的图像去模糊

图像去模糊旨在消除动态场景中拍摄图像所引入的不期望模糊。尽管已有大量研究致力于通过优化模型架构来提升去模糊性能，但针对图像去模糊的数据增强方法仍鲜有探索。由于连续运动在图像曝光过程中会引入模糊伪影，我们致力于开发一种突破性的模糊增强方法，通过在连续空间中模拟运动轨迹，生成多样化的模糊图像。本文提出了一种基于隐式扩散的重模糊增强方法（Implicit Diffusion-based reBLurring AUgmentation, ID-Blau），该方法利用一张清晰图像与一个可控制的模糊条件图，生成对应的模糊图像。我们通过像素级的模糊条件图对模糊图像的模糊模式进行参数化，将其方向与强度作为关键特征，以模拟运动轨迹，并在连续空间中隐式表征这些模糊模式。通过采样多样化的模糊条件，ID-Blau能够生成训练数据集中未曾见过的多样化模糊图像。实验结果表明，ID-Blau可生成逼真的模糊图像用于训练，显著提升当前先进去模糊模型的性能。项目源代码已公开，地址为：https://github.com/plusgood-steven/ID-Blau。