摘要:生成对抗网络(GAN)已转换了图像合成的领域,尤其是在引入条件gan(CGAN)(CGAN)的引入中,通过在整个生成过程中整合额外信息,从而允许更自定义的方法。模糊图像的存在可能会对图像质量产生不利影响,并可能阻碍随后的图像处理活动。为了对抗图像模糊,我们引入了一种新型的单像模糊去除技术,该技术依赖于条件生成的对抗网络(CGAN)。在这种方法中,CGAN充当基本框架,将模糊的图像作为补充条件数据并实施Lipschitz的约束。通过有条件的对抗损失,内容损失和感知损失的组合来培训网络体系结构,以纠正模糊区域并重建图像。通过实验评估,很明显,所提出的方法在删除模糊方面优于现有算法,在保持图像清晰度的同时有效地减少了模糊性。
主要关键词