最近刚忙完，闲来没事看了这篇论文，是ICCV 2019的一篇论文，是在deblur GAN基础上的进一步发展。其核心思想包括：1.使用基于FPN的框架，其backbone可以是resnet或者mobilenet；2.使用relativistic-GAN,包括global和local两种方式。整体框架如下:
如上图所示，基本结构和UNet很像，网络的最后将不同level的feature采样到相同的level空间，并concat在一起，最后学习的是输入和GT的残差。网络的左边是提取特征的部分，即论文里说的backbone，这个backbone可以是resnet也可以是mobilenet，后者的好处是速度快，参数少。
对于判别器，这里使用了判断全局和判断局部的判别器，并且将relativistic-GAN和LSGAN结合在一起，构成RaGAN-LS，使得训练更加稳定收敛更快。这里使用全局和局部判别的原因是，模糊一般是非均匀分布的。最后的loss包括，像素间的loss Lp，VGG loss Lx和GAN的loss Ladv。
论文的结果是它的方法又快又好，这里懒得写了。