Beeldontbluring heeft de afgelopen jaren aanzienlijke vooruitgang geboekt dankzij de ontwikkelingen op het gebied van deep learning. Deep learning-gebaseerde benaderingen hebben zich bewezen als zeer effectief in het verwijderen van bewegingsonscherpte en het verbeteren van de beeldhelderheid. Door gedetailleerde blur-patronen te leren van grote datasets, kunnen deep learning-systemen beeldontbluring met uitstekende resultaten bereiken.
Een recent onderzoek uitgevoerd door de Academy of Military Science, Xidian University en Peking University richt zich op verschillende aspecten van bewegingsonscherpte, waaronder de oorzaken, onscherpe beelddatasets, evaluatiemethoden voor beeldkwaliteit en verschillende methodologieën ontwikkeld voor blindbewegingsontbluring. Het onderzoek categoriseert bestaande methoden in vier klassen: op CNN gebaseerde, op RNN gebaseerde, op GAN gebaseerde en op Transformer gebaseerde benaderingen.
Op CNN gebaseerde algoritmen worden veel gebruikt voor beeldverwerking vanwege hun vermogen om ruimtelijke informatie en lokale kenmerken vast te leggen. Convolutionele neurale netwerken (CNN’s) blinken uit in taken zoals denoising en ontbluring, waarbij gebruik wordt gemaakt van grootschalige datasets om te trainen. Deze algoritmen kunnen echter moeite hebben met ontblur-taken die globale informatie of langeafhankelijkheden vereisen. Opgerekt convolutie is naar voren gekomen als een populaire oplossing om deze beperkingen te overwinnen.
Vroege tweefasen-netwerken en moderne end-to-end-systemen zijn de twee belangrijkste categorieën van op CNN gebaseerde blinddeblurringsmethoden. Vroege algoritmen richtten zich op het schatten van het wazige kernbeeld en het uitvoeren van deconvolutie- of inverse filterprocedures op basis van die schatting. Deze aanpak schiet echter vaak tekort bij het verwijderen van complexe echte onscherpte in echte scènes. Aan de andere kant transformeren end-to-end benaderingen het ingevoerde wazige beeld in een helder beeld met behulp van neurale netwerken, wat de kwaliteit van beeldherstel aanzienlijk verbetert.
Op RNN gebaseerde algoritmen maken gebruik van ruimtelijk variabele RNN’s om het ontblur-proces na te bootsen. Hoewel ze uitblinken in het vastleggen van temporele of sequentiële afhankelijkheden in beeldreeksen, kunnen ze moeite hebben met ruimtelijke informatie. Daarom worden RNN’s meestal gecombineerd met andere structuren om optimale resultaten te behalen bij beeldontblur-taken.
Op GAN gebaseerde algoritmen hebben ook aanzienlijk succes getoond in beeldontbluring. Via adversariële training genereren GAN’s meer realistische en visueel aantrekkelijke heldere beelden van wazige invoer. Het trainen van GAN’s kan echter uitdagend zijn en vereist een delicate balans tussen de generator- en discriminator-netwerken om problemen zoals patrooncrashes of het niet-convergeren te voorkomen.
Op Transformer gebaseerde algoritmen bieden verwerkingsvoordelen voor taken die een langeafstandsafhankelijkheid en het verzamelen van globale informatie vereisen. De berekeningskosten voor beeldontbluring zijn echter aanzienlijk vanwege het grote aantal pixels dat erbij betrokken is.
Zoals dit onderzoek benadrukt, zijn hoogwaardige datasets cruciaal voor het trainen van deep learning-modellen in beeldontbluring. Met verdere vooruitgang en optimalisatie hebben deep learning-modellen aanzienlijk potentieel voor toepassingen op gebieden zoals autonoom rijden, videobewerking en surveillance.
(Bron: Origineel artikel)
The source of the article is from the blog exofeed.nl