A Dataset and Model for Realistic License Plate Deblurring

车牌识别是智能交通管理系统中至关重要的任务。然而，由于快速移动的车辆导致的运动模糊，实现准确识别的挑战仍然存在。尽管现有的去模糊和识别算法中广泛使用图像合成方法，但它们在实际场景中的有效性仍未得到证明。为了解决这个问题，我们介绍了第一个大规模车牌去模糊数据集，名为License Plate Blur (LPBlur)，该数据集由双摄像头系统捕获，并通过后处理管道进行处理，以避免对齐问题。然后，我们提出了一种车牌去模糊生成对抗网络(LPDGAN)，以解决车牌去模糊问题：1）特征融合模块，以整合多尺度潜在代码；2）文本重建模块，通过文本模态恢复结构；3）分区判别器模块，以增强模型对每个字母细节的感知。广泛的实验验证了LPBlur数据集在模型训练和测试方面的可靠性，展示了我们提出的模型在现实车牌去模糊场景中优于其他最先进的运动去模糊方法。数据集和代码可在https://github.com/haoyGONG/LPDGAN上获得。

解决车牌识别中由于车辆高速移动导致的运动模糊问题。

提出了一个新的车牌去模糊生成对抗网络（LPDGAN），并使用一个新的大规模车牌去模糊数据集（LPBlur）进行训练和测试。

LPBlur数据集通过双摄像头系统捕获，经过后处理流程处理以避免对齐问题。LPDGAN包括三个模块：特征融合模块、文本重建模块和分区鉴别器模块。实验结果表明，LPDGAN在现实场景下的车牌去模糊效果优于其他现有的运动去模糊方法。

最近的相关研究包括：DeepDeblur-2.0、Deep Video Deblurring、BlurNet等。