要約
画像のブラー除去タスクは、ぼやけた画像に対して無数の妥当な解が存在するため、整備されていない問題（ill-posed problem）である。近年の深層学習アプローチでは、ブラー核の学習を省略し、エンドツーエンドの教師あり学習を直接採用する傾向にある。一般的なブラー除去データセットでは、ラベルとして可能な解の一つを定義している。しかし、我々は、特にラベルがランダム分布からサンプリングされた場合に、直接ラベルを指定することは妥当ではないと考える。したがって、我々はネットワークに妥当な解の分布を学習させるアプローチを提案し、この考えに基づいて、分布学習を可能にする新しいマルチヘッド出力アーキテクチャと対応する損失関数を設計した。本手法により、モデルはターゲットの分布を近似する複数の妥当な解を出力することが可能となる。さらに、パラメータ数と計算負荷を削減しつつ性能を向上させる、新たなパラメータ多重化手法を提案した。本手法は、現在の最先端モデルであるNAFNetを含む複数の画像ブラー除去モデルにおいて評価された。最も優れた全体性能（各検証画像に対して複数のヘッドから最高スコアを選択）において、比較対象となるベースラインを0.11～0.18dBの範囲で上回った。また、最も優れた単一ヘッド性能（検証セット上で最も優れた性能を示すヘッドを選択）においても、ベースラインを0.04～0.08dBの範囲で上回った。コードは以下のURLから公開されている：https://github.com/Liu-SD/multi-output-deblur。