第1章 緒論
1.1 研究背景及意義
1.2 圖像去模糊方法的國內外研究現狀
1.2.1 基于傳統圖像處理的圖像去模糊方法
1.2.2 基于CNN的圖像去模糊方法
1.2.3 基于GAN的圖像去模糊方法
1.2.4 圖像去模糊數據集的制作
1.2.4.1 GOPRO數據集
1.2.4.2 Kohler標準數據集
1.2.4.3 Lai標準數據集
1.2.4.4 Su標準視頻序列
1.2.5 圖像去模糊方法在特定類型圖像上的應用
1.2.5.1 文本圖像去模糊方法與數據集制作
1.2.5.2 人臉圖像去模糊方法與數據集制作
1.3 圖像質量評價
1.3.1 圖像主觀質量評價方法
1.3.2 圖像客觀質量評價方法
1.4 主要研究內容
1.5 本書章節安排
第2章 模糊圖像成像模型與深度學習基礎知識
2.1 模糊圖像退化模型
2.2 深度學習基礎知識
2.2.1 深度學習概述
2.2.2 網絡的反向傳播
2.2.3 深度學習優化算法
2.2.4 卷積層
2.2.5 卷積神經網絡
2.2.6 反卷積層
2.2.7 非線性激活函數
2.3 經典卷積網絡模型結構
2.3.1 LeNet
2.3.2 AlexNet
2.3.3 VGGNet模型與感知特征
2.3.4 殘差模塊
2.3.5 DenseNet網絡
2.3.6 Inception網絡
2.4 生成對抗網絡與圖像去模糊
2.4.1生成對抗網絡的框架2.4.2生成對抗網絡的演變
2.4.3 生成對抗網絡的應用
第3章 基于生成對抗網絡的圖像去模糊
3.1 基于感知特征和多尺度網絡的圖像去模糊
3.1.1 網絡結構
3.1.1.1 生成網絡結構
3.1.1.2 判別網絡結構
3.1.2 目標損失函數
3.1.3 實驗過程及結果分析
3.1.3.1 合成模糊圖像的比較實驗
3.1.3.2 真實模糊圖像的比較實驗
3.1.4 單尺度生成網絡和多尺度生成網絡消融對比實驗
3.1.5 生成網絡目標損失函數消融對比實驗
3.1.6 小結
3.2 基于注意力機制的圖像去模糊
3.2.1 網絡模型
3.2.1.1 生成網絡結構
3.2.1.2 判別網絡結構
3.2.2 目標損失函數
3.2.3 實驗過程及結果分析
3.2.3.1 合成模糊圖像的比較實驗
3.2.3.2 真實模糊圖像的比較實驗
3.2.4 生成網絡消融對比實驗
3.2.5 小結
3.3 基于局部特征和非局部特征的圖像去模糊
3.3.1 網絡結構
3.3.1.1 生成網絡結構
3.3.1.2 判別網絡結構
目標損失函數
實驗過程及結果分析
3.3.3.1 數據準備及參數設置
3.3.3.2 合成模糊圖像的比較實驗
3.3.3.3 真實模糊圖像的比較實驗
3.3.4 生成網絡模塊消融對比實驗
3.3.5 目標損失函數消融對比實驗
3.3.6 小結
第4章 基于圖像先驗的圖像去模糊方法
4.1 基于圖像邊緣判別機制與部分權值共享的圖像去模糊
4.1.1 圖像邊緣判別機制
4.1.2 部分權值共享網絡
4.1.3 生成網絡結構
4.1 .4 判別網絡結構
4.1.5 目標損失函數
4.1.6 實驗過程及結果分析
4.1.6.1 數據準備及參數設置
4.1.6.2 合成模糊圖像的比較實驗
土土 2023-10-30 12:
4.1.6.3 真實模糊圖像的比較實驗
4.1.7 圖像邊緣判別機制與部分權重共享網絡消融對比實驗
4.1.8 小結
4.2 基于雙網絡判別的盲圖像去模糊
4.2.1 雙網絡圖像邊緣判別機制
4.2.2 圖像去模糊網絡結構
4.2.2.1 PNet子網網絡結構
4.2.2.2 DNet子網網絡結構
4.2.3 目標損失函數
4.2.3.1 PNet子網的目標損失函數
4.2.3.2 DNet子網的目標損失函數
4.2.4 實驗過程與結果分析
4.2.4.1 數據準備及參數設置
4.2.4.2 合成模糊圖像數據集上的比較實驗
4.2.4.3 真實模糊圖像數據集上的比較實驗
4.2.5 PNet子網的消融對比實驗
4.2.6 目標損失函數的消融對比實驗
4.2.7 小結
4.3 基于圖像結構先驗的圖像去模糊
4.3.1 網絡結構
4.3.1.1 生成網絡結構
4.3.1.2 判別網絡結構
4.3.2 目標損失函數
4.3.3 實驗過程及結果分析
4.3.3.1 數據準備及參數設置
4.3.3.2 合成模糊圖像的比較實驗
4.3.3.3 真實模糊圖像的比較實驗
4.3.4 生成網絡模塊消融對比實驗
4.3.5 目標損失函數消融對比實驗
4.3.6 小結
參考文獻