Segmentierungsfreies dynamisches Szenen-Entblurren

Die meisten modernen Methoden zum dynamischen Szenen-Entblurren, die auf genauer Bewegungssegmentierung basieren, gehen davon aus, dass die Bewegungsunschärfe klein ist oder dass der spezifische Typ der die Unschärfe verursachenden Bewegung bekannt ist. In diesem Papier untersuchen wir eine Methode zum dynamischen Szenen-Entblurren ohne Bewegungssegmentierung, die sich von anderen konventionellen Methoden unterscheidet. Wenn die Bewegung als lineare Bewegung approximiert werden kann, die lokal (pixelweise) variiert, können wir verschiedene Arten von Unschärfe aufgrund von Kamerawackeln behandeln, einschließlich außerplanearer Bewegung, Tiefenvariation, radialer Verzerrung usw. Daher schlagen wir ein neues Energiemodell vor, das gleichzeitig den Bewegungsfluss und das latente Bild basierend auf einem robusten Total Variation (TV)-L1-Modell schätzt. Dieser Ansatz ist notwendig, um abrupte Änderungen in der Bewegung ohne Segmentierung zu bewältigen. Darüber hinaus behandeln wir das Problem des traditionellen Grob-zu-Fein-Entblurrens, das Artefakte erzeugt, wenn kleine Strukturen mit ausgeprägter Bewegung wiederhergestellt werden. Wir schlagen daher eine neuartige Kernel-Reinitialisierungsmethode vor, die den Fehler des vom groberen Level propagierten Bewegungsflusses reduziert. Außerdem wird eine hocheffiziente, auf konvexer Optimierung basierende Lösung entwickelt, die die rechnerischen Schwierigkeiten des TV-L1-Modells mildert. Vergleichende experimentelle Ergebnisse zu herausfordernden, realen unscharfen Bildern demonstrieren die Effizienz der vorgeschlagenen Methode.