图像盲复原是从一幅观测的模糊图像恢复出模糊核和清晰图像, 传统盲去卷积算法采用简化模型估计模糊核, 导致预测模糊核与真实值误差较大, 最终复原结果不理想。针对此问题提出一种基于改进残差模块的多尺度卷积神经网络模型, 采用端到端模式, 无需估计模糊核。提出了一种基于限制网络输入的改进Wasserstein GAN (WGAN), 增加了一层输入限制层, 能够限定参数初始值, 提高了网络收敛速度。设计了多重损失函数, 融合了基于多尺度网络的感知损失和基于条件式生成对抗网络的对抗损失。实验结果表明: 所提方法在定量和定性评价指标上优于已有的代表性方法, 并且运行速度比相近算法快了4倍。

现有的多尺度立体匹配算法对各尺度的代价函数采用相同权值,而忽略了各尺度层对整个匹配代价的不同影响,增加了误匹配点。针对此问题,提出了自适应权值的跨尺度立体匹配算法框架。采用统一的代价聚合函数框架在不同尺度上进行代价匹配,并提出利用各像素窗口的信息熵作为不同尺度下匹配代价对整个匹配代价的影响因子;同时为了保证不同尺度下同一像素的代价一致性,在代价函数里加入正则化因子。本文算法框架可以应用在利用多尺度进行代价匹配的算法上,并使原有算法的准确率和稳健性得到提高。基于本文算法框架,分别采用不同代价聚合函数在Middlebury数据集上进行测试。为保证测试的公平性,各算法均未进行后续的视差求精步骤,实验表明,本文算法有效地提高了多尺度立体匹配的准确率和稳健性。