GAN方法去模糊-DeblurGAN

生成式对抗网络（GAN）在图像超分辨率重建、in-painting等问题上取得了很好的效果。GAN能够保留图像中丰富的细节、创造出和真实图像十分相近的图像。而在CVPR2017上，一篇由Isola等人提出的《Image-to-Image Translation with Conditional Adversarial Networks》的论文更是使用条件生成式对抗网络（cGAN）开启了“image-to-image translation”任务的大门。

论文主要贡献

• 提出使用DeblurGAN对模糊图像去模糊，网络结构基于cGAN和“content loss”。获得了目前最佳的去模糊效果

• 将去模糊算法运用到了目标检测上，当待检测图像是模糊的的时候，先对图像去模糊能提高目标检测的准确率

• 提出了一个新的合成模糊图像的方法

给出一张模糊的图像  ，我们希望重建出清晰的图像  。为此，作者构建了一个生成式对抗网络，训练了一个CNN作为生成器 和一个判别网络  。

整体结构如下图：

生成器CNN的结构如下图，类似于自编码器（auto-encoder）：

网络结构类似Johnson在风格迁移任务中提出的网络。作者添加了“ResOut”，即“global skip connection”。CNN学习的是残差，即 

 ，这种方式使得训练更快、模型泛化能力更强。

判别器的网络结构与PatchGAN相同（即 image-to-image translation 论文中采用的判别网络）。

损失函数

损失函数使用的是“contentloss”和“adversarial loss”之和：

Adversarialloss

训练原始的GAN（vanilla GAN）很容易遇到梯度消失、mode collapse等问题，训练起来十分棘手。后来提出的“Wassertein GAN”（WGAN）使用“Wassertein-1”距离，使训练不那么困难。之后Gulrajani等提出的添加“gradient penalty”项，又进一步提高了训练的稳定性。WGAN-GP实现了在多种GAN结构上稳定训练，且几乎不需要调整超参数。本文使用的就是WGAN-GP，adversarial loss的计算式为：

Content loss

内容损失，也就是评估生成的清晰图像和ground truth之间的差距。两个常用的选择是L1（也称为MAE，mean absolute error）损失，和L2（也称为MSE）损失。最近提出了“perceptualloss”，它本质上就是一个L2 loss，但它计算的是CNN生成的feature map和ground truth的feature map之间的距离。定义如下：

其中，  表示将图像输入VGG19（在ImageNet上预训练的）后在第i个max pooling层前，第j个卷积层（after activation）输出的feature map。 表示featuremap的维度。

Motion blurgeneration

相比其他的image-to-image translation任务，例如超分辨率和风格化，去模糊问题很难获得清晰-模糊的图像对用于训练。一种常见的办法是使用高速摄像头拍摄视频，从视频帧中获得清晰图像、合成模糊图像。另一种方法就是用清晰图像卷积上各式各样的“blur kernel”，获得合成的模糊图像。作者在现有第二种方法的基础上进一步拓展，提出的方法能够模拟更复杂的“blur kernel”。

首先，作者采用了Boracchi和Foi[1]提出的运动轨迹随机生成方法（用马尔科夫随机过程生成）；然后对轨迹进行“sub-pixel interpolation”生成blur kernel。当然，这种方法也只能在二维平面空间中生成轨迹，并不能模拟真实空间中6D相机的运动。

作者也给出了生成模糊影像算法的伪代码

Training Details

DeblurGAN的代码在很大程度上借鉴了pix2pix的代码，使用的框架是pyTorch。作者一共在不同数据集上训练了三个model，分别是：

1.  DeblurGAN WILD ：训练数据是GOPRO数据集，将其中的图像随机裁剪成256×256的patches输入网络训练

2.  DeblurGAN Synth：训练数据集是MSCOCO生成的模糊图像（根据上面提到的方法），同样随机裁剪成256×256的patches

3.  DeblurGAN Comb：在以上两个数据集的混合数据集上训练，合成图像：GOPRO=2:1

所有模型训练时的batch size都为1。作者在单张Titan-X GPU上训练，每个模型需要6天的训练时间。

由于它们均为全卷积模型，又是在图像patch上训练的，因此可以应用在任意大小的图像中。

为了进行优化，研究人员在D上执行了5次梯度下降，在G上执行了1次。最初生成器和判别器设置的学习速率为10-4，经过150次迭代后，在接下来的有一轮150次迭代中将这个比率线性衰减。

上图是DeblurGAN和Nah等人提出的 Deep Multi-scale ConvolutionalNeural Network for Dynamic Scene Deblurring 方法的结果对比。左侧一列是输入的模糊图像，中间是Nah等人的结果，右侧是DeblurGAN的结果。PSNR、SSIM两项指标的评估结果可以参见下表。

Kohler标准数据集

测试结果表明，DeblurGAN在定性和定量两方面都表现出优异的结果。它可以处理由相机抖动和物体运动引起的模糊，不会受到通常的核评估方法的影响，同时参数仅为Multi-scale CNN的六分之一，大大加快了推理速度。

另外，作者将这项技术用在目标检测上，探索了动态模糊对目标检测的影响，基于在预训练的YOLO网络上目标检测的结果，提出一种评估质量的去模糊算法的新方式。

通过用高帧率摄像机模拟相机抖动，研究人员构建了一个清晰-模糊的街景数据集。之后，对240fps（每秒显示帧数-帧率）相机拍摄的5到25帧进行随机抽样，并计算中间帧的模糊版作为这些帧的平均值。

总体来说，数据集包括410对模糊-清晰图像，这些图像是从不同街道和停车场拍摄的，包含不同数量和类型的汽车。

然后将清晰的图像输入 YOLO 网络，并将视觉验证后的结果指定为真实情况。然后在图像的模糊和恢复版本上运行 YOLO，并计算获得的结果与gt之间的平均召回率和精度。与标准PSNR 度量相比，这种方法对应于现实生活问题上的去模糊模型的质量，并与生成图像的视觉质量和清晰度相关。一般来说，模糊图像的精度更高，因为没有清晰的对象边界，并且没有检测到较小的对象，如下图所示。

在模糊化前后的目标检测

在recall和F1 socre上，DeblurGAN的表现远远超过了竞争对手。