摘要
滚动快门校正（Rolling Shutter Correction, RSC）在广泛应用于商业与工业领域的滚动快门（RS）相机中正变得日益流行。尽管现有RSC方法展现出良好的性能，但其通常采用两阶段网络结构，忽视了内在信息之间的交互，限制了推理速度的提升。为此，本文提出一种基于单阶段编码器-解码器架构的高效RSC网络——JAMNet。该方法首先从连续的RS输入中提取多级金字塔特征，随后在联合学习解码器中同步优化两种互补信息（即全局快门图像外观与去畸变运动场），实现二者之间的相互促进。为引入充分的运动线索以指导联合学习，我们设计了一种基于Transformer的运动嵌入模块，并提出在金字塔各层级间传递隐藏状态。此外，本文提出一种新型数据增强策略——“垂直翻转 + 逆序”，以充分挖掘RSC数据集的潜力。在多个基准测试上的实验结果表明，所提方法显著超越现有最先进方法，尤其在真实世界RSC任务中实现了4.7 dB的PSNR提升。代码已开源，地址为：https://github.com/GitCVfb/JAMNet。