本书以深度学习为基础和技术背景为特色，首先介绍了大量与图像去模糊任务相关的技术背景与网络结构，其次阐述了采用深度学习解决图象去模糊任务的算法。全书从实际应用问题出发，介绍了图像去模糊基本理论，讲解了深度学习前沿算法在图像去模糊中的应用。
第1章 绪论
1.1 研究背景及意义
1.2 图像去模糊方法的国内外研究现状
1.2.1 基于传统图像处理的图像去模糊方法
1.2.2 基于CNN的图像去模糊方法
1.2.3 基于GAN的图像去模糊方法
1.2.4 图像去模糊数据集的制作
1.2.4.1 GOPRO数据集
1.2.4.2 Kohler标准数据集
1.2.4.3 Lai标准数据集
1.2.4.4 Su标准视频序列
1.2.5 图像去模糊方法在特定类型图像上的应用
1.2.5.1 文本图像去模糊方法与数据集制作
1.2.5.2 人脸图像去模糊方法与数据集制作
1.3 图像质量评价
1.3.1 图像主观质量评价方法
1.3.2 图像客观质量评价方法
1.4 主要研究内容
1.5 本书章节安排
第2章 模糊图像成像模型与深度学习基础知识
2.1 模糊图像退化模型
2.2 深度学习基础知识
2.2.1 深度学习概述
2.2.2 网络的反向传播
2.2.3 深度学习优化算法
2.2.4 卷积层
2.2.5 卷积神经网络
2.2.6 反卷积层
2.2.7 非线性激活函数
2.3 经典卷积网络模型结构
2.3.1 LeNet
2.3.2 AlexNet
2.3.3 VGGNet模型与感知特征
2.3.4 残差模块
2.3.5 DenseNet网络
2.3.6 Inception网络
2.4 生成对抗网络与图像去模糊
2.4.1生成对抗网络的框架2.4.2生成对抗网络的演变
2.4.3 生成对抗网络的应用
第3章 基于生成对抗网络的图像去模糊
3.1 基于感知特征和多尺度网络的图像去模糊
3.1.1 网络结构
3.1.1.1 生成网络结构
3.1.1.2 判别网络结构
3.1.2 目标损失函数
3.1.3 实验过程及结果分析
3.1.3.1 合成模糊图像的比较实验
3.1.3.2 真实模糊图像的比较实验
3.1.4 单尺度生成网络和多尺度生成网络消融对比实验
3.1.5 生成网络目标损失函数消融对比实验
3.1.6 小结
3.2 基于注意力机制的图像去模糊
3.2.1 网络模型
3.2.1.1 生成网络结构
3.2.1.2 判别网络结构
3.2.2 目标损失函数
3.2.3 实验过程及结果分析
3.2.3.1 合成模糊图像的比较实验
3.2.3.2 真实模糊图像的比较实验
3.2.4 生成网络消融对比实验
3.2.5 小结
3.3 基于局部特征和非局部特征的图像去模糊
3.3.1 网络结构
3.3.1.1 生成网络结构
3.3.1.2 判别网络结构
目标损失函数
实验过程及结果分析
3.3.3.1 数据准备及参数设置
3.3.3.2 合成模糊图像的比较实验
3.3.3.3 真实模糊图像的比较实验
3.3.4 生成网络模块消融对比实验
3.3.5 目标损失函数消融对比实验
3.3.6 小结
第4章 基于图像先验的图像去模糊方法
4.1 基于图像边缘判别机制与部分权值共享的图像去模糊
4.1.1 图像边缘判别机制
4.1.2 部分权值共享网络
4.1.3 生成网络结构
4.1 .4 判别网络结构
4.1.5 目标损失函数
4.1.6 实验过程及结果分析
4.1.6.1 数据准备及参数设置
4.1.6.2 合成模糊图像的比较实验
土土 2023-10-30 12:
4.1.6.3 真实模糊图像的比较实验
4.1.7 图像边缘判别机制与部分权重共享网络消融对比实验
4.1.8 小结
4.2 基于双网络判别的盲图像去模糊
4.2.1 双网络图像边缘判别机制
4.2.2 图像去模糊网络结构
4.2.2.1 PNet子网网络结构
4.2.2.2 DNet子网网络结构
4.2.3 目标损失函数
4.2.3.1 PNet子网的目标损失函数
4.2.3.2 DNet子网的目标损失函数
4.2.4 实验过程与结果分析
4.2.4.1 数据准备及参数设置
4.2.4.2 合成模糊图像数据集上的比较实验
4.2.4.3 真实模糊图像数据集上的比较实验
4.2.5 PNet子网的消融对比实验
4.2.6 目标损失函数的消融对比实验
4.2.7 小结
4.3 基于图像结构先验的图像去模糊
4.3.1 网络结构
4.3.1.1 生成网络结构
4.3.1.2 判别网络结构
4.3.2 目标损失函数
4.3.3 实验过程及结果分析
4.3.3.1 数据准备及参数设置
4.3.3.2 合成模糊图像的比较实验
4.3.3.3 真实模糊图像的比较实验
4.3.4 生成网络模块消融对比实验
4.3.5 目标损失函数消融对比实验
4.3.6 小结
参考文献
书单推荐
