Apprentissage d'un prior discriminatif pour le déflouissement d'image aveugle

Nous présentons une méthode efficace de déflouissement d'image aveugle basée sur un prior discriminatif guidé par les données. Notre travail est motivé par le fait qu'un bon prior d'image devrait favoriser des images claires plutôt que floues. Dans ce travail, nous formulons le prior d'image comme un classificateur binaire qui peut être réalisé par un réseau de neurones convolutionnel profond (CNN). Le prior appris est capable de distinguer si une image d'entrée est claire ou non. Intégré dans le cadre de la maximisation a posteriori (MAP), il aide au déflouissement aveugle dans divers scénarios, y compris les images naturelles, de visage, de texte et à faible éclairage. Cependant, il est difficile d'optimiser la méthode de déflouissement avec le prior d'image appris car elle implique un CNN non linéaire. Par conséquent, nous développons une approche numérique efficace basée sur la méthode de séparation demi-quadratique et l'algorithme de descente de gradient pour résoudre le modèle proposé. De plus, le modèle proposé peut être facilement étendu au déflouissement non uniforme. Les résultats expérimentaux à la fois qualitatifs et quantitatifs montrent que notre méthode performe favorablement par rapport aux algorithmes à la pointe de la technologie ainsi qu'aux approches de déflouissement d'image spécifiques au domaine.