Down-Scaling with Learned Kernels in Multi-Scale Deep Neural Networks for Non-Uniform Single Image Deblurring(1903.10157)
核心思想是以往使用bicubic下采样将图像送入网络，这样会损失许多高频信息。或者使用深度网络逐步编码到全局特征混入太多的全局信息。而这里使用CNN对输入图像进行下采样，且保持下采样之后的图像channel数保持不变，避免混入太多全局信息。同时训练也是分阶段训练利用了有限的硬件条件（好穷…)。整体结构如下所示:
如图可以看出，在Scale1是先四倍下采样，而Scale2是两倍下采样，基本backbone和RCAN一样，这样可以节省计算量。Loss上，这里包括L1 loss和SSIM loss，在每个尺度上都进行施加。训练时，先训练下路分支，再训练上路分支。
Edge-Aware Deep Image Deblurring(1907.02282)
基本思路是视觉对边缘锐利部分更敏感，且有利于提升客观指标，所以先学习edge map辅助deblur，基本思路如下所示:
学习边缘图的网络如下所示，在训练时，将每个hidden layer输出的特征转换成edge map，再concat在一起得到最终输出，对每个层输出的map和最终的map都进行监督。测试时只输出第一层的edge map，论文实验发现这样的效果更好，且可以减少计算量。
去模糊的网络没什么好说的，先卷积下采样，最后残差相加，如下图所示:
最后是loss，对于edge网络，这里使用GAN loss和分类的CBCE loss(edge的GT是通过canny算子得到的，所以只有0-1之分)。对于去模糊网络，这里包括MSE loss,VGG loss和Edge loss,具体见下图，很容易看懂：
