A Comparative Study for Single Image Blind Deblurring（對於單張圖像盲去模糊的算法綜述）
代碼：https://github.com/phoenix104104/cvpr16_deblur_study
該論文的主頁：http://vllab.ucmerced.edu/wlai24/cvpr16_deblur_study/
兩個缺點
當下的【單張圖形去模糊算法評價方法】通常有以下兩個缺點：
-
首先，合成生成的模糊圖像經常無法捕獲真實運動模糊降級的複雜性和特徵。
- 例如，相機運動具有6個自由度（3個平移和3個旋轉），而卷積模型僅考慮平行於圖像平面的2D平移[17,18]。在這些合成生成的圖像中也不考慮鏡頭失真，傳感器飽和度，非線性變換函數，噪聲和相機流水線中的壓縮。
- 此外，卷積模型中的恆定場景深度假設和非均勻模糊基準[13]可能在許多不能忽略深度變化的真實場景中不成立。
- 所以基於這些合成數據集訓練出來的模型，評價方法無法正確反映出【該算法對於真實模糊圖片的效果】。
-
現有的用於量化去模糊算法質量的指標，如PSNR, SSIM等，並不能很好的與人類的感知（視覺效果）相關聯。
1. 缺乏人類感知的研究結果，使得各種去模糊算法的性能很難進行比較。
2. 雖然已經提出了許多full-reference全參考[36,37]和no-reference無參考圖像質量評價方法[19,23,24,26,27,33,47]，但尚不清楚這些評價方法是否可用於衡量去模糊的圖像的質量。
Contribution
這篇paper中，我們提出一個綜合性的研究以解決以上問題。我們的contribution有如下三部分：
總而言之這篇文章是用於改進評價方法，以及數據集的。而不是對去模糊算法的綜述。（不知論文作者爲何要取這個論文題目…也有可能是我沒讀完或理解錯誤）