由于模糊图像本身缺乏时间和纹理信息,因此非均匀的图像脱毛是一项具有挑战性的任务。来自辅助传感器的互补信息正在探索这些事件传感器以解决这些限制。后者可以异步记录对数强度的变化,称为事件,具有高时间分辨率和高动态范围。当前的基于事件的脱蓝晶方法将模糊图像与事件结合在一起,以共同估计每个像素运动和DeBlur操作员。在本文中,我们认为一种分裂和争议的方法更适合此任务。为此,我们建议使用调制可变形的卷积,其内核偏移和调制掩模是从事件中动态估算的,以编码场景中的运动,而从模糊图像和相应事件的组合中学习了deblur操作员。此外,我们采用了一种粗到十的多尺度重建方法来应对低对比度区域中事件的固有稀疏性。重要的是,我们介绍了第一个数据集,其中包含对曝光时间内的真实RGB模糊图像和相关事件的对。我们的结果在使用事件时显示出更好的总体鲁棒性,在合成数据上,PSNR的改进最多可提高1.57db,而对真实事件数据的改进则提高了1.08 dB。
translated by 谷歌翻译