Defocus Deblurring Using Dual-Pixel Data
作者 | Abdullah Abuolaim, Michael S. Brown
单位 | 约克大学；三星
论文 | https://arxiv.org/abs/2005.00305
代码 | https://github.com/Abdullah-Abuolaim/defocus-deblurring-dual-pixel
主页 | https://www.eecs.yorku.ca/~abuolaim/eccv_2020_dp_defocus_deblurring/
备注 | ECCV 2020
使用深度学习对散焦图像去模糊，论文的关键贡献是构建了500个场景（2000幅图像）的训练数据集。其中每个场景都有：在大光圈下捕捉到的具有虚化模糊的图像， 两个相关的DP子光圈视图；以及用小光圈拍摄的相应全焦图像。数据、代码、模型均开源。
Defocus Deblurring Using Dual Pixel Data_腾讯视频v.qq.com
主要思想
将DP双核对焦的双图像作为图像的伪深度估计。
参考数据集
用佳能相机DP拍的。
CUHK [27]和DUT [38]数据集已用于模糊检测
并提供具有其相应的模糊/锐化二进制掩码的真实图像。
SYNDOF [18]数据集提供了用于散焦图估计的数据，根据指定的针孔深度图合成散焦模糊
[18、27、38]的数据集未提供相应的地面真相全焦点图像。
训练网络
采用非去全图的图像补丁训练。
参考方法
EBDB 基于边缘的散焦模糊
DMENet 散焦图估算网络
JNB 刚注意到的模糊
DPDNet-single
DPDNet 散焦估算网络
评价方法
PSNR SSIM
MAE
LPIPS 小补丁技术
鲁棒性
不同光圈的鲁棒性
对于high level 的意义
high level的意义很大。检测深度和分割性能都变好了。
