近日,数学科学学院2019级本科生唐晓乐的论文“Uncertainty-Aware Unsupervised Image Deblurring with Deep Residual Prior”在计算机视觉领域国际顶级学术会议IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR, 中国计算机协会 A 类会议,最新Google学术期刊和会议影响力排名第四)发表,其中数学科学学院本科生唐晓乐为论文第一作者,电子科技大学数学科学学院赵熙乐教授、东北师范大学刘俊副教授、西南交通大学助理教授王检利、武汉大学博士生苗雨春、香港中文大学曾铁勇教授为共同作者。
图像去模糊问题是底层视觉的基础科学问题之一,具有重要学术价值与巨大应用价值。图像非盲去模糊(non-blind deblurring)方法在准确的模糊核假设下表现不错。图像半盲去模糊(semi-blind deblurring)方法通过引入模糊核误差或其诱导残差的先验处理现实世界中不可避免的模糊核不确定性。挖掘领域知识的手工先验方法在一般情况下表现较好,但当模糊核误差或其诱导残差复杂时性能可能会退化。数据驱动先验方法过度依赖于训练数据的丰富性,存在可解释性和鲁棒性等问题。因此,如何设计模糊核误差或其诱导残差的合适先验仍然是图像去模糊领域的挑战之一。
针对上述挑战,本文提出了由定制的深度神经网络表达的无监督深度残差先验。所提深度残差先验不依赖数据集,能够灵活地适应现实世界中的不同模糊核类型与图像(如图1所示)。在所提深度残差先验基础上,文章提出了有机融合手工先验和深度先验的无监督半盲去模糊方法(方法示意图见图2)。大量仿真和真实实验表明所提方法在复原图像质量和鲁棒性方面具有优秀性能(如图3所示)。匿名审稿人高度评价研究工作为 “will have impact in the literature”。