Adversarial Spatio-Temporal Learning for Video Deblurring

1. 概述

作者将GAN（原始的）应用到视频去雾中，由于2D卷积只能提取输入的位置信息，针对视频连续帧具有时间信息的特点作者采用了3D卷积（部分卷积层中），取得了SOTA的效果。

2. 模型结构

生成模型如图1所示，

图1 生成模型。

表1 生成模型。它是由两个卷积层(L1和L2)， 14个残差块，两个卷积层(L31和L32)没有跳转连接，和三个额外的卷积层数(L33、L34和L35)组成。

作者通过对不同数量（3,5,7,9）的连续帧作为输入，对模型性能进行比较，选择了5作为模型输入连续帧的数量。因为作者采用的是3×3×3的卷积核，因此将三张连续帧进行concat，然后进行卷积。

在输入前，作者将RGB图像转换到YCbCr色彩空间，并将Y通道图像（光照强度通道，即灰度图）作为输入（“since the illumination is the most salient one”），得到模型输出后在利用原始CbCr信息将输出转换到RGB空间。

由于作者在卷积过程中保持输出特征图大小不变，因此没有采用上采样，下采样和反卷积。

将该模型称为视频去雾是因为它的输入是视频，输出也是视频。具体来说，模型对输入拦截五张连续帧作为输入，输出一张复原图，如此连续的输入输出便达到视频输入视频输出的效果。

模型整体结构如图2所示：

图2 GAN的整体网络结构

其中判别器借鉴了VGG网络。

3. 损失函数

$\mathcal{L}_{\text {content }}=\frac{1}{W H} \sum_{x=1}^{W} \sum_{y=1}^{H}\left(I_{x, y}^{\text {sharp }}-G\left(I^{\text {blurry }}\right)_{x, y}\right)^{2}\tag{1}$ $L_{content}$即为图2中的loss1。 $I^{sharp}$表示清晰图像，即GT。
$\mathcal{L}_{\text {adversarial}}=\log \left(1-D\left(G\left(I^{\text {blurry}}\right)\right)\right)\tag{2}$ $L_{adversarial}$即为图2中的loss2。

整体损失如式3表示：
$\mathcal{L}=\mathcal{L}_{\text {content}}+\alpha \cdot \mathcal{L}_{\text {adversarial}}\tag{3}$

4. 参考文献：

[1] Kaihao Zhang , Wenhan Luo , Yiran Zhong, Lin Ma , Member, IEEE, Wei Liu , and Hongdong Li, “Adversarial Spatio-Temporal Learning
for Video Deblurring.” IEEE TRANSACTIONS ON IMAGE PROCESSING, VOL. 28, NO. 1, JANUARY 2019.