ID-Blau: Bildentblurren durch implizite Diffusions-basierte reBLurring-Augmentation

Die Bildunschärferückgewinnung zielt darauf ab, unerwünschte Verwischungen aus Bildern zu entfernen, die in dynamischen Szenen aufgenommen wurden. Zahlreiche Forschungsarbeiten haben sich der Verbesserung der Deblurring-Leistung durch innovative Modellarchitekturen gewidmet. Doch es gibt nur wenige Ansätze zur Datenverstärkung für die Bildunschärferückgewinnung. Da kontinuierliche Bewegung während der Belichtungszeit zu verwaschenen Artefakten führt, streben wir eine bahnbrechende Methode zur Verwischungsverstärkung an, die durch die Simulation von Bewegungstrajektorien im kontinuierlichen Raum vielfältige verschwommene Bilder erzeugt. In diesem Beitrag präsentieren wir ID-Blau (Implicit Diffusion-based reBLurring AUgmentation), eine Methode, die ein scharfes Bild zusammen mit einer steuerbaren Verwischungsbedingungskarte nutzt, um ein entsprechendes verschwommenes Bild zu generieren. Wir parametrisieren die Verwischungsmuster eines verschwommenen Bildes durch deren Orientierungen und Beträge als pixelweise Verwischungsbedingungskarte, um Bewegungstrajektorien nachzuahmen und sie implizit im kontinuierlichen Raum darzustellen. Durch die Stichproben verschiedener Verwischungsbedingungen kann ID-Blau vielfältige, im Trainingsdatensatz nicht vorkommende verschwommene Bilder erzeugen. Experimentelle Ergebnisse zeigen, dass ID-Blau realistische verschwommene Bilder zur Trainingserzeugung liefert und somit die Leistung von state-of-the-art-Deblurring-Modellen erheblich verbessert. Der Quellcode ist unter https://github.com/plusgood-steven/ID-Blau verfügbar.