圖像去模糊是圖像領域一個經久不衰的挑戰。近年來，有很多論文聚焦於深度學習算法去模糊工作。如標題所述的論文發表於2018年的 CVPR，是這方面的一個典型工作。我們來看看作者做了些什麼？
1 使用的數據
go pro 公開數據集。總共包含3214組模糊/清晰數據集。
實際模型的輸入數據爲，從每個輸入 batch 的 tensor 矩陣中隨機剪裁成 256 *256 的 tensor 輸入網絡，所以每輪 epoch 下來用到的訓練數據是不一樣的。
2 網絡結構
整個網絡結構如下圖所示：
其特點在於：
- 多尺度縮放（圖像在輸入網絡前進行縮放，最後疊加不同尺度下的 loss 作爲總 loss）；
- 借鑑了 UNet 的結構，保留了淺層的特徵信息；
- 編碼解碼中，採用了 ResBlock，有助於特徵提取和梯度傳遞；
- 採用了 LSTM 的結構（這可能增加了模型的非線性，但我個人認爲作用可能不大）；
另外我沒看懂粉紅色實線的上採樣操作，似乎開源代碼中也沒有顯示（如果我理解有誤，請讀者更正）？
3 損失函數
採用了 L2 損失函數。
4 效果
論文效果看着還行，但估計應用到業界依然很有難度。