基于深度全卷积网络的图像可变模糊盲去除
| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究背景和意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 基于先验的图像可变模糊盲去除 | 第12-13页 |
| 1.2.2 基于深度学习的图像可变模糊盲去除 | 第13-14页 |
| 1.3 本文的主要研究内容与结构 | 第14-15页 |
| 1.3.1 本文的主要研究内容 | 第14-15页 |
| 1.3.2 本文的结构 | 第15页 |
| 1.4 本章小结 | 第15-16页 |
| 第二章 基于深度学习图像盲去模糊相关技术 | 第16-29页 |
| 2.1 常见模糊类型 | 第16-18页 |
| 2.1.1 高斯模糊 | 第16页 |
| 2.1.2 运动模糊 | 第16-17页 |
| 2.1.3 失焦模糊 | 第17-18页 |
| 2.2 基于深度学习的盲去模糊方法 | 第18-24页 |
| 2.2.1 基于深度网络的模糊核估计 | 第18-21页 |
| 2.2.2 基于深度卷积网络的可变运动模糊盲去除 | 第21-24页 |
| 2.3 客观图像质量评估 | 第24-28页 |
| 2.4 本章小结 | 第28-29页 |
| 第三章 基于深度全卷积网络的可变模糊盲去除方法 | 第29-47页 |
| 3.1 问题模型建立 | 第29-30页 |
| 3.2 网络总体结构和损失函数设计 | 第30-32页 |
| 3.3 P-NET子网络：可变模糊参数估计 | 第32-36页 |
| 3.3.1 P-net优化目标 | 第32页 |
| 3.3.2 P-net结构设计 | 第32-34页 |
| 3.3.3 P-net构成 | 第34-36页 |
| 3.4 G-NET子网络：可变模糊去除 | 第36-40页 |
| 3.4.1 G-net优化目标 | 第36页 |
| 3.4.2 G-net结构设计 | 第36-37页 |
| 3.4.3 G-net构成 | 第37-40页 |
| 3.5 可变模糊训练数据构造 | 第40-44页 |
| 3.5.1 基于语义分块的图像可变模糊 | 第40-42页 |
| 3.5.2 基于随机尺度分块的图像可变模糊 | 第42-44页 |
| 3.6 网络训练 | 第44-46页 |
| 3.7 本章小结 | 第46-47页 |
| 第四章 实验结果及分析 | 第47-63页 |
| 4.1 数据集和参数设置 | 第47-49页 |
| 4.1.1 训练数据集 | 第47页 |
| 4.1.2 测试数据集 | 第47-48页 |
| 4.1.3 数据集参数设置 | 第48页 |
| 4.1.4 实验环境和训练参数设置 | 第48-49页 |
| 4.2 可变模糊参数估计实验结果及分析 | 第49-53页 |
| 4.2.1 P-net结构实验 | 第49-51页 |
| 4.2.2 定量实验结果及分析 | 第51-53页 |
| 4.3 可变模糊去除实验结果及分析 | 第53-61页 |
| 4.3.1 收敛性实验 | 第53-54页 |
| 4.3.2 定量实验结果及分析 | 第54-61页 |
| 4.4 性能分析 | 第61-62页 |
| 4.5 本章小结 | 第62-63页 |
| 第五章 总结与展望 | 第63-65页 |
| 5.1 论文工作总结 | 第63-64页 |
| 5.2 未来研究与展望 | 第64-65页 |
| 参考文献 | 第65-70页 |
| 攻读硕士学位期间取得的研究成果 | 第70-71页 |
| 致谢 | 第71-72页 |
| 附件 | 第72页 |
