文件名称：matlab案例有代码-SelfDeblur:使用深度先验的神经盲反卷积（CVPR2020）
文件大小：2.82MB
文件格式：ZIP
更新时间：2024-06-12 18:53:37
系统开源
matlab案例有代码 [] [] 介绍 盲反卷积是许多实际应用中的经典但具有挑战性的低级视觉问题。 传统的基于最大后验（MAP）的方法在很大程度上依赖于固定的和手工制作的先验，这肯定不足以表征清晰的图像和模糊内核，并且通常采用特殊设计的交替最小化来避免琐碎的解决方案。 相反，现有的深度运动去模糊网络从大量训练图像中学习到映射到干净图像或模糊内核，但是在处理各种复杂和大尺寸模糊内核方面受到限制。 基于深度图像先验（DIP）[1]的动机，我们在本文中提出了两个生成网络，分别用于对清洁图像和模糊核的深度先验进行建模，并提出了一种针对盲反卷积的无约束神经优化解决方案（SelfDeblur）。 实验结果表明，与基准数据集和真实世界的模糊图像上的最新盲去卷积方法相比，我们的SelfDeblur可以实现显着的量化增益，并且在视觉上似乎更合理。 先决条件 Python 3.6，PyTorch> = 0.4 要求：opencv-python，tqdm 平台：Ubuntu 16.04，TITAN V，cuda-10.0＆cuDNN v-7.5 用于计算的MATLAB 数据集 SelfLeblur在Lev
【文件预览】：
SelfDeblur-master
----results()
--------demo()
--------levin()
--------lai()
----datasets()
--------real()
--------readme.docx(21KB)
--------levin()
----selfdeblur_ycbcr.py(6KB)
----selfdeblur_levin.py(5KB)
----networks()
--------downsampler.py(8KB)
--------non_local_dot_product.py(5KB)
--------fcn.py(398B)
--------skip.py(4KB)
--------unet.py(7KB)
--------non_local_gaussian.py(5KB)
--------common.py(3KB)
--------non_local_embedded_gaussian.py(5KB)
--------non_local_concatenation.py(5KB)
--------resnet.py(3KB)
----models()
--------texture_nets.py(2KB)
--------downsampler.py(8KB)
--------__init__.py(2KB)
--------non_local_dot_product.py(5KB)
--------skip.py(4KB)
--------skipfc.py(5KB)
--------unet.py(7KB)
--------non_local_gaussian.py(5KB)
--------common.py(3KB)
--------non_local_embedded_gaussian.py(5KB)
--------non_local_concatenation.py(5KB)
--------resnet.py(3KB)
----selfdeblur_levin_reproduce.py(5KB)
----utils()
--------common_utils.py(9KB)
----selfdeblur_lai.py(5KB)
----SSIM.py(3KB)
----README.md(6KB)
----selfdeblur_lai_reproduce.py(5KB)
----selfdeblur_nonblind.py(5KB)
----statistic()
--------comp_upto_shift.m(1KB)
--------psnr.m(621B)
--------statistic_lai.m(3KB)
--------statistic_levin.m(4KB)
--------ssim.m(6KB)