Motion-adaptive Separable Collaborative Filters for Blind Motion Deblurring

消除各种运动产生的图像模糊一直是一个具有挑战性的问题。主流方法主要依靠模型容量，在特征空间中从模糊的观察中重建残差来消除模糊。这些做法不仅阻碍了对现实世界中空间可变运动的捕捉，而且忽略了对图像空间中各种运动的量身定制处理。本文提出了一种新颖的实际去模糊过滤模型，称为运动自适应可分协作（MISC）滤波器。特别是，我们使用运动估计网络从邻域中捕捉运动信息，从而自适应地估计空间变化的运动流、掩膜、卷积核、权重和偏移量，以获得MISC滤波器。MISC滤波器首先沿着预测的流方向将运动引起的模糊模式对齐到运动中心，然后通过预测的卷积核、权重和偏移量协作地过滤对齐的图像，生成输出。这种设计可以以空间差异化的方式处理更一般化和复杂的运动。此外，我们分析了运动估计网络和残差重建网络之间的关系。在四个广泛使用的基准测试上进行的广泛实验表明，我们的方法为实际运动模糊去除提供了有效的解决方案，并实现了最先进的性能。代码可在https://github.com/ChengxuLiu/MISCFilter上获取。

本论文旨在解决运动模糊去除中的空间变化运动问题，提出了一种新的实际应用去模糊滤波模型。

本文提出了一种新的去模糊滤波模型——MISC Filter，利用运动估计网络自适应地估计空间变化的运动流、掩模、核、权重和偏移，将运动引起的模糊模式与预测的流方向对齐，然后通过预测的核、权重和偏移协同地过滤对齐后的图像以生成输出。

本文的亮点包括：使用运动估计网络自适应地估计空间变化的运动流、掩模、核、权重和偏移；提出了一种新的去模糊滤波模型；在四个广泛使用的基准测试上进行了广泛的实验，并取得了最先进的性能；代码已经开源。

最近在这个领域中，还有一些相关的研究，如：《Deep Video Deblurring for Hand-held Cameras》、《A Benchmark Dataset and Evaluation Methodology for Video Object Segmentation》等。