基于深度学习的图像去模糊技术

　　市场上现有的与图像复原技术相关的书籍，鲜少有直接阐述图像去模糊技术的书籍，目前存在的一些书籍大多采用的是传统图像处理方法实现的图像去模糊任务，而这些技术方法缺少人工智能、深度学习的技术背景，以及在深度学习方法与图像去模糊任务之间建立联系。本书以深度学习为基础和技术背景为特色，首先介绍了大量与图像去模糊任务相关的技术背景与网络结构，其次阐述了采用深度学习解决图象去模糊任务的算法。这较好地将技术的发展前沿与经典的图像去模糊任务建立了联系。该书从实际应用问题出发，介绍了图像去模糊基本理论，详细讲解了深度学习前沿算法在图像去模糊中的应用，具有较高的参考价值和学术价值。本书旨在帮助读者以快速、有效的方式上手深度学习与图像去模糊处理。从实际应用问题出发，通过图像去模糊算法介绍如何使用深度学习解决这些问题。书中包含了深度学习的入门知识，是走进人工智能和图像去模糊领域的 参考书目。

暂缺《基于深度学习的图像去模糊技术》作者简介

第1章 绪论
1.1 研究背景及意义
1.2 图像去模糊方法的 外研究现状
1.2.1 基于传统图像处理的图像去模糊方法
1.2.2 基于CNN的图像去模糊方法
1.2.3 基于GAN的图像去模糊方法
1.2.4 图像去模糊数据集的制作
1.2.4.1 GOPRO数据集
1.2.4.2 Kohler标准数据集
1.2.4.3 Lai标准数据集
1.2.4.4 Su标准视频序列
1.2.5 图像去模糊方法在特定类型图像上的应用
1.2.5.1 文本图像去模糊方法与数据集制作
1.2.5.2 人脸图像去模糊方法与数据集制作
1.3 图像质量评价
1.3.1 图像主观质量评价方法
1.3.2 图像客观质量评价方法
1.4 主要研究内容
1.5 本书章节安排
第2章 模糊图像成像模型与深度学习基础知识
2.1 模糊图像退化模型
2.2 深度学习基础知识
2.2.1 深度学习概述
2.2.2 网络的反向传播
2.2.3 深度学习优化算法
2.2.4 卷积层
2.2.5 卷积神经网络
2.2.6 反卷积层
2.2.7 非线性激活函数
2.3 经典卷积网络模型结构
2.3.1 LeNet
2.3.2 AlexNet
2.3.3 VGGNet模型与感知特征
2.3.4 残差模块
2.3.5 DenseNet网络
2.3.6 Inception网络
2.4 生成对抗网络与图像去模糊
2.4.1生成对抗网络的框架2.4.2生成对抗网络的演变
2.4.3 生成对抗网络的应用
第3章 基于生成对抗网络的图像去模糊
3.1 基于感知特征和多尺度网络的图像去模糊
3.1.1 网络结构
3.1.1.1 生成网络结构
3.1.1.2 判别网络结构
3.1.2 目标损失函数
3.1.3 实验过程及结果分析
3.1.3.1 合成模糊图像的比较实验
3.1.3.2 真实模糊图像的比较实验
3.1.4 单尺度生成网络和多尺度生成网络消融对比实验
3.1.5 生成网络目标损失函数消融对比实验