学習可能な離散ウェーブレット変換を用いた効率的なマルチスケールネットワークによるブラインドモーションデブリurring

従来の単一画像モーションデブラーにおいて、粗いから細かい（coarse-to-fine）スキームは広く用いられている。しかし、深層学習の文脈においては、既存のマルチスケール手法は、低スケールのRGB画像と深層的な意味情報を融合するための複雑なモジュールを必要とするとともに、信頼性が十分ではない低解像度画像ペアを手動で生成する必要がある。本研究では、単一入力・複数出力（Single-Input Multiple-Output: SIMO）構造に基づくマルチスケールネットワークを提案する。これにより、粗いから細かいスキームに基づく従来のアルゴリズムの複雑さを簡素化した。さらに、マルチスケール構造の導入に伴う復元欠陥（特に詳細情報の損失）を軽減するため、現実世界のブラー軌道の特性と学習可能なウェーブレット変換モジュールを組み合わせ、ぼけた画像から鮮鋭な画像への段階的変換における方向性の連続性および周波数特徴に注目する。結論として、学習可能な離散ウェーブレット変換（MLWNet）を備えたマルチスケールネットワークを提案し、複数の実世界用デブラーデータセットにおいて、主観的・客観的品質および計算効率の両面で最先端の性能を示した。