介绍

运动模糊一直是照片拍摄时难以解决的问题，拍摄照片时总是需要调整良久，才能得到一张清晰的照片。而深度学习中的DeblurGAN网络就针对该问题做了AI层面的优化。

受SRGAN以及CGAN启发，DeblurGAN基于WGAN以及内容损失进行训练学习。它的贡献主要包含：提出一种损失与框架，它在运动模糊移除方面取得了SOTA性能；提出一种基于随机轨迹的动模糊数据制作方法；构建一个新的数据集与评价方法(基于目标检测结果提升)。

案例简介

本案例基于搭载了华为昇腾310芯片的A200DK/A300实现对DeblurGAN网络的推理功能，快速实现输入一张模糊图片，使用DeblurGAN将其变清晰的功能

模型介绍

上图给出了生成器的架构示意图。它包含两个下采样卷积模块、9个残差模块(包含一个卷积、IN以及ReLU)以及两个上采样转置卷积模块，同时还引入全局残差连接。因此，该架构可以描述为：

这种架构可以使得训练更快，同时具有更好的泛化性能。

除了上述生成器外，在训练过程中，还定义了一个判别器(该判别器架构类似于PatchGAN)，采用带梯度惩罚项的Wasserstein GAN进行对抗训练。

效果展示