当前位置: 首页 > news >正文

GS-Blur数据集:首个基于3D场景合成的156,209对多样化真实感模糊图像数据集。

2024-10-31,由韩国首尔国立大学的研究团队创建的GS-Blur数据集,通过3D场景重建和相机视角移动合成了多样化的真实感模糊图像,为图像去模糊领域提供了一个大规模、高覆盖度的新工具,显著提升了去模糊算法在真实世界场景中的泛化能力。

数据集地址:GS-Blur|图像去模糊数据集|图像处理数据集

一、研究背景:

图像去模糊是图像恢复领域的一个重要挑战,尤其是在动态场景中,由于相机和物体之间的相对运动,常常会产生模糊的图像。为了训练去模糊网络,需要成对的模糊和清晰图像数据集。现有的数据集通过合成或真实拍摄的方式收集模糊图像,但这些方法要么在模糊类型上缺乏多样性,要么需要大量的人力来重建大规模数据集,无法全面反映现实世界的模糊情况。

目前遇到困难和挑战:

1、现有数据集在模糊类型(模糊轨迹)上的多样性不足,限制了去模糊算法的泛化能力。

2、真实世界模糊图像的捕获需要复杂的相机系统,这限制了数据集的规模和模糊轨迹的多样性。

3、现有数据集在模拟真实世界模糊图像时,往往无法充分覆盖模糊长度和方向的多样性。

数据集地址:GS-Blur|图像去模糊数据集|图像处理数据集

二、让我们一起来看一下GS-Blur数据集

GS-Blur是一个通过3D场景重建和随机相机运动轨迹合成的大规模真实感模糊图像数据集。

利用3D Gaussian Splatting(3DGS)技术,从多视图图像中重建3D场景,然后通过在这些场景中移动相机视角来渲染模糊图像。这种方法允许研究者在3D空间中随机生成相机运动轨迹,从而合成具有不同模糊长度和方向的图像,更好地模拟现实世界的模糊情况。

数据集特点:

1、包含156,209对清晰和模糊图像,覆盖了多样化的模糊类型。

2、通过随机生成的3D运动轨迹,提供了更广泛的模糊长度和方向。

3、合成的模糊图像具有真实感,能够更好地泛化到真实世界的模糊场景。

GS-Blur数据集可以用于训练和评估去模糊算法,通过提供清晰和模糊图像对,研究者可以测试他们的方法在多样化模糊类型上的性能。

基准测试 :

使用GS-Blur数据集训练的去模糊网络在多个现有的去模糊基准测试中表现出色,包括GoPro、REDS、BSD和RSBlur等数据集,证明了其良好的泛化能力。

提议的 GS-Blur 数据集的示例。帧的左半部分显示合成生成的模糊,而右半部分显示尖锐的帧对。

合成、真实和 GS-Blur 数据集的运动分布可视化。

GS-Blur 数据集中生成模糊和清晰图像对的整体管道。

随机生成的 3D 轨迹及其相应的运动模糊图像 的可视化

使用各种模糊生成管道在 GS-Blur 上训练 NAFNet [3] 时的去模糊性能比较。叉号 ✓ 和 ✗分别表示是否应用相应的组件来重建 GS-Blur 数据集。最后一行表示我们最终的 GS-Blur 数据集。

三、让我们展望数据集的应用

比如,我是一名专业的摄影师。

我拍照的时候,有的时候手稍微一抖,或者被拍摄的对象动得太快,那照片就糊了,特别影响效果。

上次,我接了一个拍摄婚礼的任务。婚礼嘛,场面热闹,新娘新郎、亲朋好友都在动,我得抓拍那些美好的瞬间。但是,那天特别的冷,手抖得不行,再加上他们动作太快,好多照片拍出来都是模糊的。我当时用的是传统的后期处理软件,就是那种一键去模糊的功能,但效果真的很一般。有时候照片是清楚了一点,但细节损失严重,有点像油画,不够真实。特别是那些我想要突出的表情和细节,比如新娘的泪光、新郎的笑容,都因为模糊变得不那么清晰了。客户虽然没说什么,但我自己心里清楚,这些照片没能达到我的标准。

现在有了GS-Blur数据集之后,情况就大不一样了。

这个数据集里有大量的模糊和清晰照片对,我可以利用这些数据训练一个更智能的去模糊算法。比如,我在婚礼前,就可以用这个数据集来训练我的算法,让它学会识别和处理各种模糊情况。

在婚礼当天,我还是像往常一样拍照,但是这次,嘻嘻,秘密武器——一个经过GS-Blur数据集训练的去模糊算法。当我拍到模糊的照片时,我就用这个算法来处理。它不仅能减少模糊,还能保持照片的自然感和细节。比如,我可以清楚地看到新娘面纱上的绣花,新郎领带上的纹理,甚至是他们脸上的每一个表情。这些细节在以前用传统软件处理后都会丢失很多。

最最厉害的就是这个算法还能处理那种因为物体快速移动造成的模糊。比如婚礼上的舞蹈环节,以前我根本不敢拍,因为知道拍出来肯定是模糊的。但现在,我用这个算法一处理,那些快速旋转的裙摆、舞动的手臂都变得清晰可见,而且非常自然。

我不再担心因为手抖或者物体快速移动而拍出模糊的照片了,因为我知道,无论发生什么,我都有办法让照片恢复清晰。这让我更有信心地去捕捉那些转瞬即逝的美妙瞬间,也让我的客户更加满意。

来吧,让我们走进GS-Blur|图像去模糊数据集|图像处理数据集

相关文章:

GS-Blur数据集:首个基于3D场景合成的156,209对多样化真实感模糊图像数据集。

2024-10-31,由韩国首尔国立大学的研究团队创建的GS-Blur数据集,通过3D场景重建和相机视角移动合成了多样化的真实感模糊图像,为图像去模糊领域提供了一个大规模、高覆盖度的新工具,显著提升了去模糊算法在真实世界场景中的泛化能力…...

Linux下Java的多种方式安装

Linux下Java的多种方式安装 博客: www.lstar.icu 开源地址 Gitee 地址: https://gitee.com/lxwise/iris-blog_parent Github 地址: https://github.com/lxwise/iris-blog_parent 序言 Java是一门面向对象的编程语言,不仅吸收了…...

Android Studio:connect time out

参考:Android Studio:connect time out_android studio connection timed out-CSDN博客...

A014-基于Spring Boot的家电销售展示平台设计与实现

🙊作者简介:在校研究生,拥有计算机专业的研究生开发团队,分享技术代码帮助学生学习,独立完成自己的网站项目。 代码可以查看文章末尾⬇️联系方式获取,记得注明来意哦~🌹 赠送计算机毕业设计600…...

数学期望和联合概率密度

数学期望的定义 数学期望是描述随机变量平均趋势的一个重要统计量。根据随机变量的类型(离散或连续),数学期望的定义有所不同。 离散型随机变量的数学期望: 若离散型随机变量 X X X取值为 x 1 , x 2 , … , x n , … x_1,x_2,\do…...

萤石私有化设备视频平台EasyCVR视频融合平台如何构建农业综合监控监管系统?

现代农业的迅速发展中,集成监控管理系统已成为提高农业生产效率和优化管理的关键工具。萤石私有化设备视频平台EasyCVR,作为一个具有高度可扩展性、灵活的视频处理能力和便捷的部署方式的视频监控解决方案,为农业监控系统的建设提供了坚实的技…...

【MongoDB】Windows/Docker 下载安装,MongoDB Compass的基本使用、NoSQL、MongoDB的基础概念及基础用法(超详细)

文章目录 Windows下载MongoDB Compass使用NoSQL的基本概念MongoDB常用术语MongoDB与RDBMS区别MongoDB的CRUD 更多相关内容可查看 Docker安装MongoDB可查看:Docker-安装MongoDB Windows下载 官网下载地址:https://www.mongodb.com/try/download/communi…...

微信小程序-自定义导航栏

一.自定义导航栏 1.JSON文件中配置"navigationStyle": “custom” "navigationStyle": "custom"2.给导航栏设置轮播图 <swiper class"custom-swiper" indicator-dots autoplay interval"2000"> <swiper-item>…...

vue中强制更新视图

vue3 中强制更新视图 方式 通过 $forceUpdate 与 vue2 相似 import {getCurrentInstance} from vueconst internalInstance getCurrentInstance() //操作数据后更新视图 internalInstance.ctx.$forceUpdate()通过 key 值改变更新 <compName :key"key" />co…...

mqsql 场景函数整理

场景1&#xff1a;行数据取多字段&#xff0c;取到有值为止 解决方案&#xff1a; mysql coaleace函数 场景2&#xff1a;字符串拼接文本并换行 解决方案1&#xff1a; mysql concate() 和char(10) 场景3&#xff1a;获取单汉字首拼 解决方案1&#xff1a;单汉字获取首拼 解…...

【AI日记】24.11.05 向量数据库 weaviate、混合搜索、多语言搜索、明确自己的南京

【AI论文解读】【AI知识点】【AI小项目】【AI战略思考】【AI日记】 工作 工作1 内容&#xff1a;学习deeplearning.ai的课程课程&#xff1a;Vector Databases: from Embeddings to Applications时间&#xff1a;6小时评估&#xff1a;不错&#xff0c;完成收获&#xff1a;学…...

Scrapy入门

Scrapy 是用 Python 实现的一个为了爬取网站数据、提取结构性数据而编写的应用框架。 安装scrapy pip install scrapy2.5.0 1.新建 Scrapy项目 scrapy startproject mySpider # 项目名为mySpider 2.进入到spiders目录 cd mySpider/mySpider/spiders 3.创建爬虫 scrapy gensp…...

Ubantu/Linux 采用Repo或Git命令报错!!

简言: 遇事还是不要慌,出现这些问题,很正常的;如果那些你不需要,只是需要回到某一个版本,那么就是需要,方法可以尝试回退节点,也可以尝试强行merge合入冲突,或找到冲突文件解决,但这些方法都非常的繁杂且不实用。以下是研究出来的解决方案! 记得随时使用git statu…...

C++简单工厂模式

什么是简单工厂模式&#xff1f; 简单工厂模式属于创造型模式&#xff0c;而工厂就是负责生产和创造的&#xff0c;顾名思义。建立对象的类就如一个工厂&#xff0c;而需要被建立的对象就是一个个产品&#xff1b;在工厂中加工产品&#xff0c;使用产品的人&#xff0c;不用在…...

讲讲 kafka 维护消费状态跟踪的方法?

大家好&#xff0c;我是锋哥。今天分享关于【讲讲 kafka 维护消费状态跟踪的方法&#xff1f;】面试题&#xff1f;希望对大家有帮助&#xff1b; 讲讲 kafka 维护消费状态跟踪的方法&#xff1f; 1000道 互联网大厂Java工程师 精选面试题-Java资源分享网 在 Kafka 中&#x…...

MySQL 和 PostgreSQL 的对比概述

MySQL 和 PostgreSQL 是两种广泛使用的开源关系型数据库管理系统&#xff08;RDBMS&#xff09;&#xff0c;它们各自有其特点和优缺点。以下将从多个方面对它们进行详细比较。 1. 介绍 MySQL&#xff1a; MySQL 由瑞典公司 MySQL AB 开发&#xff0c;2008 年被 Sun Microsyst…...

【Python单元测试】pytest框架单元测试 配置 命令行操作 测试报告 覆盖率

单元测试&#xff08;unit test&#xff09;&#xff0c;简称UT。本文将介绍在Python项目中&#xff0c;pytest测试框架的安装&#xff0c;配置&#xff0c;执行&#xff0c;测试报告与覆盖率 pytest简介 pytest是一款流行的&#xff0c;简单易上手的单元测试框架&#xff0c;…...

【牛客刷题记录】【JAVA】栈

(1) 用两个栈实现队列 链接 很简单&#xff0c;如果有元素进入队列&#xff0c;则将其进入stack1。如果要出队列&#xff0c;那么就需要判断stack2的情况。人与法国stack2为空&#xff0c;则直接把stack1的元素全放进stack2&#xff08;相当于顺序反过来&#xff09;&#xff…...

【办公类-04-04】华为助手导出照片视频分类(根据图片、视频的文件名日期导入“年-月-日”文件夹中,并转移到“年-月”文件中整理、转移到“年”文件夹中整理)

背景需求 最近带班&#xff0c;没有时间整理照片&#xff0c;偶尔导一次&#xff0c;几个月的照片。发现用电脑版“华为手机助手“中的WLAN连接”与华为手机的“华为手机助手”连接&#xff0c;速度更快、更稳定&#xff0c;不会出现数据线连接时碰碰就断网的问题 1、先打开电…...

62-Java-面试专题(1)__基础

62-Java-面试专题(1)__基础-- 笔记 笔记内容来源与黑马程序员教学视频 文章目录 62-Java-面试专题(1)__基础-- 笔记Java-面试专题(1)笔记中涉及资源&#xff1a; 一、二分查找①&#xff1a;代码实现1. 流程2. 代码实现3. 测试 ②&#xff1a;解决整数溢出&#xff08;方法一&…...

快速构建数据产品原型 —— 我用 VChart Figma 插件

快速构建数据产品原型 —— 我用 VChart Figma 插件 10 种图表类型、24 种内置模板类型、丰富的图表样式配置、自动生成图表实现代码。VChart Figma 插件的目标是提供 便捷好用 & 功能丰富 & 开发友好 的 figma 图表创建能力。目前 VChart 插件功能仍在持续更新中&…...

登录—令牌技术

这里写目录标题 令牌技术2.4.1 JWT令牌2.4.2 jwt使用 令牌技术 令牌&#xff0c;其实它就是一个用户身份的标识&#xff0c;其实本质就是一个字符串。 如果通过令牌技术来跟踪会话&#xff0c;就可以在浏览器发起请求。在请求登录接口的时候&#xff0c;如果登录成功&#xff…...

NPOI 操作详解(操作Excel)

目录 1. 安装 NPOI 2. 使用 NPOI 创建新 Excel 文件 3. 设置列宽和行高 1. 设置列宽 2. 设置行高 3. 同时设置列宽和行高 4. 设置统一的行高 5. 设置统一的列宽 6. 应用统一的行高和列宽 4. 合并单元格 5. 设置单元格样式&#xff08;字体、边框、背景色等&#xf…...

2024年北京海淀区中小学生信息学竞赛校级预选赛试题

2024年北京海淀区中小学生信息学竞赛校级预选赛试题 题目总数&#xff1a;24 总分数&#xff1a;100 编程基础知识单选题 第 1 题 单选题 关于 2024年海淀区信息学竞赛的描述错误的是( ) A.报名在网上报名系统进行 B.必须经过学籍所在学校的指导教师审核 C.学校…...

GPT-SoVITS 部署方案

简介 当前主流的开源TTS框架&#xff0c;这里介绍部署该服务的主要流程和我在使用过程中出现的问题。 使用的技术 Docker、Jupyter、Python、C# 部署 docker的使用 拉取命令 docker pull jupyter/base-notebook:python-3.10.11jupyter的访问 docker运行以后可以直接使用…...

pdf添加目录标签python(手动配置)

先安装对应的库: pip install pypdf 代码分为两个部分,一部分是config.py,代码如下: offset=10 catgorys=[("第一章",12),("第二章",45), ] 需要自己手动更改offset,和目录列表 下面是主要代码: import pypdf # import sys from config import…...

Ngrok 在树莓派上的配置与使用教程

Ngrok 是一个便捷的工具&#xff0c;用于将本地服务器暴露到互联网上&#xff0c;常用于开发和调试。 1. 更新树莓派 首先&#xff0c;更新树莓派的系统&#xff1a; sudo apt update sudo apt upgrade -y2. 安装 Ngrok &#xff08;1&#xff09;下载 Ngrok&#xff1a; 访…...

多核架构的基本概念

目录 1.为什么使用多核 2.多核分类 2.1 同构和异构 2.2 SMP和AMP 3 小结 1.为什么使用多核 这个问题个人认为可以从两个方面来看&#xff1a; 性能问题 随着汽车ECU对集成化的要求越来越高&#xff0c;把多个ECU功能集中到一个多核MCU的需求也越来越明显。 以汽车制动…...

yolov8模型推理测试代码(pt/onnx)

&#x1f996;yolov8训练出来的模型&#xff0c;不使用detect.py代码进行模型测试&#x1f996; pt格式模型测试 import cv2 import os from ultralytics import YOLO # 定义输入和输出文件夹路径 input_folder /input/folder # 输入文件夹 output_folder /output/folder …...

二叉树 最大深度(递归)

给定一个二叉树 root &#xff0c;返回其最大深度。 二叉树的 最大深度 是指从根节点到最远叶子节点的最长路径上的节点数。 示例 1&#xff1a; 输入&#xff1a;root [3,9,20,null,null,15,7] 输出&#xff1a;3示例 2&#xff1a; 输入&#xff1a;root [1,null,2] 输出…...