Image deblurring is a classic computer vision task which aims to recover the latent sharp image from blurry input. A number of deep-learning-based methods have been introduced to solve this problem, using multi-scale, multi-patch, or multi-temporal approaches. These approaches achieved good performances in image deblurring. However, when we focus on inference speed, these approaches have some limitations. In this paper, we propose a fast and accurate single-stage network named FDANet. FDANet can handle dynamic blurs in computationally efficient operations by exploiting frequency-domain information with frequency-domain attention. The proposed frequency-domain attention block separately attends regions with different degrees of blurs. The shallowest version of our network has the shortest inference time among existing deblurring methods, and the deeper counterpart surpasses other methods with comparable processing time.
영상 디블러링은 흐린 입력 영상으로부터 깨끗한 영상을 복원하는 고전적인 컴퓨터 비전 문제이다. 영상 디블러링을 위해, 다중 스케일, 다중 패치, 혹은 다중 시간 방식의 많은 딥러닝 기반 방법들이 제안되어 왔다. 이러한 방법들은 영상 디블러링 문제에서 좋은 성능을 보여주었다. 그러나, 실행 속도에 초점을 맞추었을 때, 이러한 방법들에는 한계점이 존재한다. 본 논문에서는, 빠르고 정확한 단일 단계 신경망인 FDANet을 제안한다. FDANet은 주파수 영역 정보를 주파수 영역 어텐션의 형태로 활용하여 다양한 블러를 계산적으로 효율적인 연산으로 처리할 수 있다. 제안하는 주파수 영역 어텐션 블록은 다양한 정도의 블러를 가지는 영역에 각기 다른 어텐션을 준다. 제안하는 신경망 중 얕은 신경망은 현존하는 디블러링 방법들 중 가장 빠른 속도를 기록하였으며, 깊은 신경망은 비슷한 처리 속도를 가진 다른 방법들을 능가하는 성능을 보여주었다.
