DeblurGAN-v2：速度更快、效果更好的去模糊算法（提升多个数量级）

本文的代码：DeblurGAN-v2：速度更快、效果更好的去模糊算法（提升多个数量级）

奥列斯特·库平、泰蒂亚娜·马尔蒂纽克、吴俊儒、王张洋

发表于 ICCV 2019

概述

我们提出了一种用于单张图像运动模糊去除的新型端到端生成对抗网络（GAN），名为 DeblurGAN-v2，它显著提升了当前最先进的去模糊效率、质量和灵活性。DeblurGAN-v2 基于相对论条件 GAN，并采用双尺度判别器。我们首次将特征金字塔网络引入去模糊任务中，作为 DeblurGAN-v2 生成器的核心组件。该网络能够灵活地与多种骨干网络配合使用，从而在性能和效率之间取得平衡。通过集成强大的骨干网络（如 Inception-ResNet-v2），DeblurGAN-v2 可以达到最先进的去模糊效果；而当使用轻量级骨干网络（如 MobileNet 及其变体）时，DeblurGAN-v2 的速度比最接近的竞争对手快 10 到 100 倍，同时保持接近最先进水平的结果，这意味着其实时视频去模糊成为可能。我们在多个流行基准测试上展示了 DeblurGAN-v2 在去模糊质量（包括客观和主观评价）以及效率方面的卓越表现。此外，我们还证明了该架构在通用图像修复任务中同样有效。

DeblurGAN-v2 架构

数据集

用于训练的数据集可以通过以下链接下载：

• DVD
• GoPro
• NFS

训练

命令

python train.py

训练脚本将加载 config/config.yaml 中的配置。

TensorBoard 可视化

测试

要对单张图像进行测试：

python predict.py IMAGE_NAME.jpg

默认情况下，预测器使用的预训练模型名为 'best_fpn.h5'。用户可以在代码中更改此名称（'weights_path' 参数）。该模型假设使用 fpn_inception 骨干网络。如果希望尝试其他预训练骨干网络，请在 config/config.yaml 的 ['model']['g_name'] 中指定。

预训练模型

数据集	G 模型	D 模型	损失类型	PSNR/ SSIM	链接
GoPro 测试数据集	InceptionResNet-v2	double_gan	ragan-ls	29.55/ 0.934	fpn_inception.h5
	MobileNet	double_gan	ragan-ls	28.17/ 0.925	fpn_mobilenet.h5
	MobileNet-DSC	double_gan	ragan-ls	28.03/ 0.922

上级仓库

该代码源自 https://github.com/KupynOrest/RestoreGAN。该仓库包含用于不同图像修复任务的灵活流水线。

引用

如果您在研究中使用此代码，请引用我们的论文。

​```
@InProceedings{Kupyn_2019_ICCV,
author = {Orest Kupyn 和 Tetiana Martyniuk 和 Junru Wu 和 Zhangyang Wang},
title = {DeblurGAN-v2：速度更快、效果更好的去模糊算法（提升多个数量级）},
booktitle = {IEEE 国际计算机视觉会议（ICCV）},
month = {10月},
year = {2019}
}
​```

DeblurGANv2 快速上手指南

DeblurGAN-v2 是一个基于生成对抗网络（GAN）的单图像运动去模糊工具。它引入了特征金字塔网络（FPN），支持多种骨干网络（如 Inception-ResNet-v2 或 MobileNet），在保持高去模糊质量的同时，显著提升了推理速度，甚至可实现实时视频去模糊。

环境准备

在开始之前，请确保您的开发环境满足以下要求：

• 操作系统: Linux (推荐) 或 macOS/Windows
• Python: Python 3.6+
• 深度学习框架: TensorFlow 1.x 或 Keras (根据原项目依赖，通常需安装 tensorflow-gpu)
• 硬件要求: 推荐使用 NVIDIA GPU 进行训练和加速推理；仅推理时 CPU 也可运行（速度较慢）。

前置依赖安装：

建议先升级 pip 并安装核心依赖库。国内用户可使用清华源加速安装：

pip install -i https://pypi.tuna.tsinghua.edu.cn/simple tensorflow-gpu==1.15.0 keras opencv-python numpy pillow h5py

注意：具体 TensorFlow 版本需参考项目原始的 requirements.txt（如有），上述命令基于该类项目的通用依赖推测。若遇到版本冲突，请根据报错信息调整。

安装步骤

1. 克隆仓库 将项目代码下载到本地：

   git clone https://github.com/KupynOrest/DeblurGANv2.git
   cd DeblurGANv2
   

2. 下载预训练模型 为了直接进行测试，需要下载预训练权重。默认使用的模型是 best_fpn.h5 (对应 Inception-ResNet-v2 骨干)。

   您可以从下表选择适合的模型下载，并放入项目根目录：

   数据集	骨干网络 (G Model)	性能 (PSNR/SSIM)	下载链接	文件名建议
   GoPro	InceptionResNet-v2	29.55 / 0.934	下载	fpn_inception.h5
   GoPro	MobileNet	28.17 / 0.925	下载	fpn_mobilenet.h5

   注：Google Drive 下载在国内可能受限，如需高速下载请自行寻找第三方镜像或使用代理。

3. 配置模型路径 默认情况下，predict.py 会加载名为 best_fpn.h5 的模型。如果您下载的文件名不同，或者想切换骨干网络（例如使用 MobileNet），有两种方式：

   • 方式 A：将下载的 .h5 文件重命名为 best_fpn.h5。
   • 方式 B：修改代码中的 weights_path 参数，或在 config/config.yaml 中调整 ['model']['g_name'] 以匹配对应的骨干网络。

基本使用

单张图片去模糊

这是最简单的使用场景。确保当前目录下有模糊图片（例如 blurry_photo.jpg）以及对应的预训练模型文件。

运行以下命令：

python predict.py blurry_photo.jpg

程序会自动加载默认模型，处理图片，并在同一目录下生成去模糊后的结果（通常命名为 deblurred_blurry_photo.jpg 或类似名称，具体视代码逻辑而定）。

自定义模型测试

如果您使用了非默认的预训练模型（例如 MobileNet 版本），可以在代码中指定权重路径，或通过修改配置文件来适配。

若要更换骨干网络进行测试，请编辑 config/config.yaml，确保 model 部分的 g_name 与您下载的权重所对应的骨干网络一致（例如改为 mobilenet），然后再次运行 predict.py。