Realistische Blur-Synthese für das Lernen der Bildentschärfung

Die Entwicklung lernbasierter Entunschärfungsmethoden erfordert eine enorme Menge an Paaren aus verschwommenen und scharfen Bildern. Leider sind bestehende synthetische Datensätze nicht realistisch genug, und Entunschärfungsmodelle, die auf ihnen trainiert wurden, sind nicht effektiv bei der Verarbeitung realer Verschwommungen. Obwohl kürzlich reale Datensätze vorgestellt wurden, bieten diese nur eine begrenzte Vielfalt an Szenen und Kamerakonfigurationen, und die Erfassung realer Datensätze für diverse Bedingungen bleibt weiterhin herausfordernd. Um dieses Problem zu lösen, analysiert dieser Artikel verschiedene Faktoren, die Unterschiede zwischen realen und synthetischen verschwommenen Bildern verursachen. Dazu präsentieren wir RSBlur, einen neuartigen Datensatz mit realen verschwommenen Bildern und den entsprechenden scharfen Bildsequenzen, um eine detaillierte Analyse der Unterschiede zwischen realen und synthetischen Verwischungen zu ermöglichen. Mit diesem Datensatz untersuchen wir die Auswirkungen verschiedener Faktoren im Entunschärfungsprozess. Auf Basis dieser Analyse stellen wir außerdem eine neuartige Synthesepipeline für realistischere Verwischungen vor. Wir zeigen, dass unsere Synthesepipeline die Leistung von Entunschärfungsmethoden bei realen verschwommenen Bildern verbessert.