Réseaux de neurones récurrents multi-temporels pour le déflouage progressif non uniforme d’image unique avec entraînement temporel incrémental

Les approches multi-échelles (MS) ont été largement étudiées pour le déflouage aveugle d’images ou vidéos individuelles, qui récupèrent successivement les images déflouées à partir des échelles spatiales basses vers les échelles spatiales élevées, en utilisant la sortie des échelles inférieures comme information de guidance. Ces approches MS se sont révélées particulièrement efficaces pour traiter des flous sévères provoqués par de grands mouvements à haute échelle spatiale, car ces derniers apparaissent comme des flous mineurs à basse échelle spatiale. Dans ce travail, nous explorons une approche alternative aux méthodes MS, appelée approche multi-temporelle (MT), destinée au déflouage non uniforme d’image unique. Nous proposons un entraînement incrémental temporel basé sur un jeu de données MT construit à partir d’un jeu de données temporellement résolu, développons de nouveaux réseaux récurrents multi-temporels (MT-RNN) reposant sur des cartes de caractéristiques récurrentes, et étudions le déflouage progressif d’une image unique au fil des itérations. Les méthodes MT proposées surpassent les méthodes MS de pointe sur le jeu de données GoPro en termes de PSNR, tout en utilisant le plus petit nombre de paramètres.