.png){kind=icon}
返回
Event-Driven Motion Deblurring Based on Multidimensional Interaction and Frequency-Domain Separation
.png){kind=icon}
PRE
AI
DOI：10.1007/978-981-95-5702-8_18.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
仅基于图像的方法通常过度依赖帧间信息并丢失关键运动线索，导致运动去模糊性能瓶颈。高时间分辨率的单目事件相机为有效捕捉运动信息提供了有前景的突破。然而，大多数现有基于事件的方法仅工作在空间域，忽略了跨维度交互以及事件数据与模糊图像间的频率差异，导致融合效果次优且在处理复杂模糊时效果受限。为解决这些挑战，我们提出基于多维交互与频域分离的事件驱动运动去模糊方法（EMIFS）。该方法缓解了跨模态融合中的信息损失并提升了去模糊性能。具体而言，我们设计了多维交互注意力模块以增强模型对复杂模糊区域的感知并改善细节恢复。在融合阶段，引入基于频域分离的多模态双向融合模块，通过频域分离与重组有效整合事件和模糊图像的互补信息。在公开的GoPro和REBlur数据集上的大量实验表明，EMIFS相较于当前最优方法实现了更优的去模糊性能，PSNR分别提升0.4 dB和0.19 dB。
Keyword:
Motion Deblurring
Event Cameras
Multimodal Fusion
Attention Mechanism
Frequency-domain Separation
期刊
P
IF:
0
论文数:
29
被引数:
0
机构
引用论文
.png){kind=icon}
分享收藏
A Residual Learning Approach to Deblur and Generate High Frame Rate Video With an Event Camera用事件摄像机去模糊和生成高帧率视频的残差学习方法
PREAI
分享收藏
查看更多内容