如果沒有防⼿震，怎麼解決抖動造成的影像模糊呢？

科技⽇新⽉異，不論是數位相機還是智慧型⼿機，拍照鏡頭都已經搭載了電⼦防⼿震的功能，解決了⼤多數拍照時因為鏡頭晃動造成影像模糊的問題！但如果更⼤的晃動，無法避免影像的模糊，就只能依靠AI來還原清晰的影像。⼀篇來⾃烏克蘭天主教⼤學的研究，基於條件對抗式⽣成網路，去除圖像上的動態模糊，請⾒圖⼀所⽰：

圖一：左邊是模糊影像，中間是⽣成網路預測的清晰圖，右邊為清晰影像（對照答案）

這裡所使⽤的條件對抗式⽣成網路結構⾒圖⼆（⽣成器），DeblurGAN ⽣成器的部分：類似⾃編碼，中間有九個Resblock，每⼀個Resblock還各有⼀組跳躍連結（⾒圖三）。跳躍連結可以不經額外運算，將數據與卷積後的資訊合併，如此可以降低多次卷積所造成的資訊損失。這個⼤模型為了能對圖像的細節有更詳細的計算，採⽤較深的卷積（較多次的卷積次數）

圖⼆

圖三

介紹完⽣成器的部分，介紹關於條件式⽣成對抗網路的整個訓練流程（圖四）。將模糊影像輸入⽣成器，會產⽣出清晰圖像，對比Sharp（清晰影像答案)，計算預測的圖片與答案之間的損失值，反覆訓練模型。

圖四

圖五可以看到其他模糊影像經模型預測的結果和其他⽅法的對比(Nah)，中間的影像是先前其他研究提出的⽅法Nah，右邊是DeblurGAN還原的程度更好。

圖五

最後比較過往三種動態模糊影響處理的模型與DeblurGAN的準確度以及預測所需時間（⾒圖六），PSNR峰值信噪比表現第⼆，還原的影像SSIM結構相似性分數最⾼，所需的預測時間僅為0.85秒。

圖六

快速的將模糊影像處理為清晰影像，有助於需要短時間偵測物體的功能的監視器，常⾒於道路監視器或是⾼速公路監視器。⾒圖七，可發現經過模型預測後的清晰影像可以幫助YOLO偵測到更多的物件。

圖七

撰文：許楷翊

參考⽂獻：

Kupyn, Orest, et al. "Deblurgan: Blind motion deblurring using conditional adversarial networks." Proceedings of the IEEE conference on computer vision and pattern recognition. 2018