Mehrtägige rekurrente neuronale Netze für fortschreitende, nichtuniforme Einzelbild-Entschärfung mit inkrementellem zeitlichem Training

Multi-Skalen-(MS-)Ansätze wurden weitgehend untersucht, um blindes Deblurring einzelner Bilder oder Videos durchzuführen, wobei die Entschärfung zunächst auf niedriger räumlicher Skala erfolgt und anschließend auf höherer Skala mit der Ausgabe der niedrigeren Skalen fortgesetzt wird. MS-Ansätze haben sich insbesondere bei starken Verwischungen aufgrund großer Bewegungen auf hoher räumlicher Skala als effektiv erwiesen, da diese Verwischungen auf niedriger Skala als geringe Verwischungen erscheinen. In dieser Arbeit untersuchen wir einen alternativen Ansatz zu MS, den sogenannten Multi-Zeit-(MT-)Ansatz, für das nicht-uniforme Deblurring einzelner Bilder. Wir schlagen eine inkrementale zeitliche Trainingsstrategie vor, die auf einem aus zeitlich aufgelösten Daten erzeugten MT-Datensatz basiert, entwickeln neuartige MT-RNNs mit rekurrenten Merkmalskarten und untersuchen das progressive Deblurring einzelner Bilder über mehrere Iterationen. Unsere vorgeschlagenen MT-Methoden erreichen auf dem GoPro-Datensatz eine bessere Leistung als die derzeit besten MS-Methoden hinsichtlich der PSNR-Werte, wobei sie zudem die geringste Anzahl an Parametern aufweisen.