Débrouillage aveugle efficace dans le monde réel par discrétisation des pixels flous

À mesure que les progrès récents dans la technologie des caméras mobiles ont permis de capturer des images haute résolution, telles que des images 4K, la demande croissante d’un modèle de déflouage efficace capable de traiter de grands mouvements s’est intensifiée. Dans cet article, nous observons que les erreurs résiduelles d’image, c’est-à-dire les différences entre pixels flous et nets, peuvent être regroupées en plusieurs catégories en fonction du type de flou de mouvement et de la complexité de leurs pixels voisins. Inspirés par cette découverte, nous décomposons la tâche de déflouage (régression) en deux étapes : la discrétisation des erreurs résiduelles d’image (classification au niveau des pixels selon le type de flou) et la conversion discrète en continue (régression à partir de la carte de classes de flou). Plus précisément, nous générons les erreurs résiduelles discrétisées en identifiant les pixels flous, puis les transformons en une forme continue, une approche plus efficace sur le plan computationnel que la résolution directe du problème de régression initial à valeurs continues. Nous constatons que le résultat de cette discrétisation, à savoir la carte de segmentation du flou, présente une similarité visuelle remarquable avec les erreurs résiduelles d’image. En conséquence, notre modèle efficace atteint des performances comparables à celles des méthodes de pointe sur des benchmarks réalistes, tout en étant jusqu’à dix fois plus efficace sur le plan computationnel.