Key points are not available for this paper at this time.
La plupart des méthodes de déflouage basées sur l'apprentissage profond existantes sont entraînées et évaluées sur des jeux de données de déflouage d'images, où les images déflouées sont générées uniquement en exploitant les informations des images floues correspondantes. D'autre part, les algorithmes de déflouage vidéo, qui peuvent obtenir des résultats de déflouage plus satisfaisants en exploitant la redondance temporelle des images floues voisines, reçoivent moins d'attention en raison de l'absence de jeux de données de déflouage vidéo. Par conséquent, nous proposons le premier jeu de données REal-world VIdeo DEhazing (REVIDE) qui peut être utilisé pour l'apprentissage supervisé des algorithmes de déflouage vidéo. En utilisant un système d'acquisition vidéo bien conçu, nous pouvons capturer des vidéos floues et sans brouillard du monde réel parfaitement alignées en enregistrant la même scène (avec ou sans brouillard) deux fois. Compte tenu du défi d'exploiter la redondance temporelle entre les images floues, nous développons également un Réseau Déformable Amélioré et Guidé par la Confiance (CG-IDN) pour le déflouage vidéo. Les expériences montrent que les scènes floues dans le jeu de données REVIDE sont plus réalistes que les jeux de données synthétiques et l'algorithme proposé performe également favorablement par rapport aux méthodes de déflouage à la pointe de la technologie.
Zhang et al. (Tue,) ont étudié cette question.