时空锐度图学习模型

计算开销低

隐式生成的时空锐度图具有更好的空间连续性，并通过双流网络实现更有效的视频去模糊。

Qi, Zhu · Naishan, Zheng · Huang, Jie · Zhou, Man · Jinghao, Zhang · Feng, Zhao

IEEE Transactions on Circuits and Systems for Video Technology 2023

技术优势

参数增量小

生成网络在融入时空锐度先验的同时，仅添加少量额外参数。

更好的空间连续性

与之前的方法相比，本工作生成的锐度图具有更好的空间连续性，能为视频去模糊提供更有效的引导。

更有效的去模糊

双流网络允许锐度图适应更有效的视频去模糊，而非简单拼接。

应用场景

• 具身智能：用于机器人视觉前端的实时去模糊，提升动态环境感知。
• 光学与光子学：作为成像系统后处理算法，补偿运动模糊。
• 物联网与传感网：在资源受限的传感节点上实现低开销视频去模糊。