5月8日上午,华南理工大学计算机学院副教授、博士生导师全宇晖应邀为信息学院师生开展讲座,报告题为“A Journey to Single Image Defocus Deblurring: From Two-Stage Deconvolution to End2End Kernel Mixture Learning”。学院副院长李秀梅主持此次讲座,学院40余名老师和研究生通过线上方式在腾讯会议平台参与聆听。
此次讲座以“图像复原与图像全聚焦”为主题,深入探讨了图像处理领域的核心技术和前沿进展。讲座伊始,全教授首先向听众们详细解释了“失焦模糊”的概念。他指出,当我们在拍摄照片或录制视频时,如果对焦不准确,图像中的某些部分甚至整张图片都可能出现明显的模糊现象。这种模糊不仅影响了图像的视觉效果,还可能导致图像中的重要细节信息丢失,对于后续的图像分析和处理带来极大的挑战。为了更直观地解释失焦模糊的成因,全教授借助了凸透镜原理,通过简单的物理模型向听众们展示了视角模糊的形成过程,使得听众们对这一问题有了更深入的理解。
为了解决失焦模糊问题,全教授引出了“图像全聚焦”的概念,并介绍了他们团队在IJCV2021上发表的文章《zero-shot deep learning for nonblind image deconvolution》。在这篇文章中,他们提出了利用非盲去卷积技术来显著提高模糊图像的质量。相比传统方法,非盲去卷积不仅解决了数据采集困难、时间成本高等问题,而且能够在没有特定样本的情况下进行学习,从而适应更多场景。
接着,全教授详细讲解了零样本学习在图像复原中的应用。他提到,早期的零样本学习方法如DIP深度图像检验虽然取得了一定的成果,但存在过拟合等问题。为了克服这些问题,他们团队引入了self-to-self方法,使模型能够更好地学习到恒等映射,并解决泛化问题和性能问题。同时,通过在损失函数中加入模糊算子,他们的模型能够对模糊图像进行更有效的重构。实验结果显示,这种方法在无监督学习方法中表现优异,甚至优于有监督和样本学习方法。
针对实验数据的问题,全教授团队提出了基于TOC数据集的无监督学习方法R2R。该方法通过加入噪声来消除错误,并结合集成推理算法,有效地解决了模糊和扰动问题。实验结果显示,加入集成推理后,kernel error有显著降低,进一步证明了该方法的有效性和实用性。
在会议的最后,全教授详细回答了听众提出的有关实验细节的一系列问题,并且对原有内容进行补充说明,以便大家更好地理解有关图像修复和全聚焦的知识。此次讲座不仅为大家揭示了图像处理领域的最新研究进展,更是为研究生们的论文撰写和实验探索提供了宝贵的指导与启示。
(文/刘光宇 叶列立 图/刘光宇)
版权所有 ©️ 杭州师范大学研究生院 公安备案号:33011002011919 浙ICP备11056902号-1 技术支持:亿校云