Image Deblurring
Notre approche repose sur un CNN basé sur l’architecture DeepUNet, conçu pour effectuer une restauration d’image à partir d’entrées affectées par le flou. Le réseau apprend à estimer une représentation plus nette de l’image originale à partir d’images artificiellement dégradées. Pour l’apprentissage, des données synthétiques ont été générées à partir d’images du dataset COCO, auxquelles différents noyaux de convolution simulant le flou ont été appliqués.
Méthodologie
1. Génération des données
Utilisation d’images nettes issues du dataset COCO, auxquelles différents noyaux de flou sont appliqués artificiellement afin de générer des paires image floue / image nette pour l’apprentissage supervisé.
2. Conception et entraînement du modèle
Développement d’un CNN léger basé sur l’architecture DeepUNet, entraîné à apprendre la transformation d’une image floue vers une version restaurée et plus nette.
3. Évaluation des performances
Évaluation de la qualité de restauration en comparant les images reconstruites aux images de référence, à l’aide de métriques quantitatives et d’une analyse visuelle des résultats.
