PickMoment模型统一单图去模糊与连续时间视频生成
论文AI 评分 65/100arXiv cs.AI待复核
AI 聚合
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
现有单图去模糊及模糊生成视频方法未充分建模物理模糊积分过程，前者仅恢复曝光中心单帧，后者仅预测固定帧数。PickMoment提出连续时间重构，单一确定性模型直接学习曝光期内任意子区间的均值模糊。训练结合经验重建、加性自洽与零区间锐帧三种监督。同一网络无需分别训练即可统一执行去模糊、生成视频及任意时刻恢复，单次前向传播无迭代采样。在GoPro与HIDE生成类去模糊达SOTA，RealBlur媲美恢复类方法，GoPro-7视频生成帧保真度最高。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载把模糊当作区间积分
这篇论文的出发点是一个物理事实：运动模糊来自连续清晰信号在有限曝光窗口内的时间积分。作者指出，已有的学习类方法绕开了这一模型，只去预测清晰信号本身。多数单图去模糊方案的做法是恢复曝光中心处的一帧，而模糊转视频方案则预测一组固定数量的帧。PickMoment 提出一种连续时间的重新表述，用单个确定性模型直接学习曝光任意子区间上的区间均值模糊。作者把这一思路类比为 MeanFlow 的平均速度形式，并据此设计训练目标。
三种监督来自模糊积分
模型训练使用三种由模糊积分推导出的监督信号。第一种是经验重建损失，来自可获得的子帧；第二种是可加性损失，用来约束相互重叠的子区间之间保持自洽；第三种是清晰帧损失，锚定在区间长度趋近于零的极限处。作者强调，同一个训练完成的模型把单图去模糊、模糊转视频生成以及连续时间的任选时刻恢复统一起来，三者只是对同一网络的三种不同查询方式，不需要为每个任务分别训练。
一次前向无需迭代采样
在评测上，作者报告 PickMoment 在 GoPro 与 HIDE 上取得了生成式去模糊方法中的最优表现，在 RealBlur 上与基于复原的方法相比具有竞争力，并在 GoPro-7 模糊转视频任务上取得最高的逐帧保真度。这些结果都是在单次前向传播中得到的，不依赖迭代采样。对读者而言，这意味着原本需要分别处理的三类任务，可能由同一个模型以不同查询方式覆盖，且推理过程不必反复迭代。
为什么值得看
单模型统一去模糊与连续视频生成，单次前向传播无迭代，大幅提升模糊图像时序恢复的灵活性与效率。
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。