声明
1 绪论
1.1 研究背景和意义
1.2 图像复原国内外研究现状
1.2.1 图像去模糊研究现状
1.2.2 图像去雾研究现状
1.3 现有图像复原方法存在的问题
1.4 研究内容
1.4.1 将深度神经网络嵌入至传统先验复原优化框架
1.4.2 将传统先验嵌入至深度神经网络图像复原模型
1.5 章节安排
2 基于深度回归网络的运动模糊核尺寸估计
2.1 引言
2.2 运动模糊核尺寸估计
2.2.1 基于回归问题的模糊核尺寸估计
2.2.2 相对宽度与高度的估计
2.2.3 网络结构
2.2.4 损失函数
2.2.5 训练样本
2.3 实验结果
2.3.1 实现细节
2.3.2 模糊核尺寸估计结果对比
2.3.3 图像去模糊结果
2.4 分析与讨论
2.4.1 网络收敛性分析
2.4.2 图像噪声鲁棒性分析
2.5 本章小结
3 基于深度判别式先验的图像盲反卷积
3.1 引言
3.2 数据驱动的判别式先验
3.2.1 研究动机
3.2.2 二分类深度神经网络
3.2.3 损失函数
3.2.4 训练细节
3.3 图像盲反卷积算法
3.3.1 I-子问题
3.3.2 k-子问题
3.3.3 非盲反卷积
3.3.4 算法细节
3.3.5 空间非均匀模糊
3.4 图像非盲去雾
3.5 实验结果
3.5.1 自然场景模糊图像复原结果
3.5.2 特定场景模糊图像复原结果
3.5.3 空间非均匀模糊图像复原
3.5.4 图像非盲去雾
3.6 分析与讨论
3.6.1 二分类器神经网络的有效性
3.6.2 本章方法与L0正则化先验的关系
3.6.3 本章方法与基于学习的图像先验的的关系
3.6.4 算法运行时间与收敛性分析
3.6.5 对图像噪声的鲁棒性分析
3.6.6 超参数敏感性分析
3.6.7 方法局限性分析
3.7 本章小结
4 基于景深先验引导的动态场景模糊图像复原网络
4.1 引言
4.2 景深引导的深度神经网络
4.2.1 景深细调分支
4.2.2 图像去模糊分支
4.2.3 空间特征变化层
4.2.4 损失函数
4.3 模糊视频复原
4.4 实验结果
4.4.1 实现细节
4.4.2 复原结果对比
4.4.3 运行时间与模型参数
4.5 分析与讨论
4.5.1 景深先验的有效性
4.5.2 网络结构分析
4.5.3 损失函数分析
4.5.4 对图像噪声的鲁棒性分析
4.5.5 方法局限性分析
4.6 本章小结
5 基于半监督学习的单帧图像去雾
5.1 引言
5.2 半监督图像去雾
5.2.1 网络结构
5.2.2 损失函数
5.2.3 半监督学习训练细节
5.3 实验结果
5.3.1 实现细节
5.3.2 仿真数据集结果对比
5.3.3 真实数据集结果对比
5.3.4 运行时间
5.4 分析与讨论
5.4.1 半监督学习的有效性
5.4.2 有监督损失
5.4.3 无监督损失函数
5.4.4 损失函数权重敏感性分析
5.4.5 网络结构分析
5.4.6 图像噪声鲁棒性分析
5.4.7 方法局限性分析
5.5 本章小结
6 总结与展望
6.1 本文研究工作总结
6.2 本文创新点总结
6.3 进一步研究工作展望
致谢
参考文献
附录1 攻读学位期间发表论文目录
附录2 公开发表的学术论文与博士学位论文的关系
附录3 攻读博士学位期间申请的发明专利和其他成果
附录4 攻读博士学位期间参与的科研项目
