近日，我校金沙检测线路js69符颖老师团队以金沙检测线路js69为第一单位的论文被国际顶级期刊IEEE Transactions on Multimedia（简称TMM）录用，题目为“VB-KGN: Variational Bayesian Kernel Generation Networks for Motion Image Deblurring”. IEEE TMM是计算机视觉领域的国际顶级期刊，中科院SCI一区TOP期刊，中国计算机学会（CCF）推荐B类期刊，清华大学推荐A类期刊，2024年影响因子8.4.该项研究依托“四川省图形图像与空间信息2011协同创新中心”，由金沙检测线路js69、上海交通大学和美国纽约州立大学等国内外高校合作完成。

内容介绍：

针对现有的结合模型先验的深度学习运动模糊图像复原方法大多依赖手动设计的物理模型，缺少能真正表述运动模糊特性的物理先验，导致去模糊效果差以及模型泛化性能不足的问题，提出一种基于变分贝叶斯框架的模糊图像生成模型（Variational Bayesian Kernel Generation Network, VB-KGN）。创新性地在网络结构中引入变分贝叶斯框架，利用潜变量拟合模糊分布训练得到生成式模型，有效地生成多样化和非重复的模糊核。并通过编码器和解码器结构解构整个生成过程，从编码器取得代表图像特征的模糊核组，控制变分推断得到具有物理特征的真实模糊分布，再通过局部卷积块重建估计的模糊图像。最后通过优化分布算法获得优质的去模糊图像。本文在公开数据集上与多种结合模型先验的深度学习方法以及端到端的方法进行对比，实验结果表明所提方法在PSNR与SSIM指标相较于对比网络显著提高，同时通过跨数据集的泛化性能实验证明了模型的迁移泛化性能。