Мультикритерiальна оцiнка алгоритмiв усунення розмиття відеосигналів для розгортання в автономних роботизованих системах
DOI:
https://doi.org/10.64915/RADAP.2026.105.%25pКлючові слова:
вiдеодеблюринг, порівняльний аналіз, автономні системи, Парето-аналіз, часова стабільність, крос-датасетна валідація, робототехнікаАнотація
У роботі представлено методологію мультикритеріального оцінювання алгоритмів усунення розмиття відеосигналів для розгортання в перцептивних конвеєрах автономних роботизованих систем із акцентом на детекцію об'єктів як цільову підпорядковану задачу.
Розмиття зображень, спричинене вібрацією платформи, швидкими маневрами та недостатнім освітленням, суттєво знижує точність детекторів об'єктів та інших модулів сприйняття; тому усунення розмиття є обов'язковим етапом попередньої обробки у критичних для розгортання системах. Проведено систематичне порівняння шести алгоритмів – RVRT, Restormer, PVDNet, ESTRNN, DA та STFAN – на двох датасетах (GoPro та DVD) за розширеним набором з восьми метрик, що включає як традиційні показники якості відновлення (PSNR, SSIM, LPIPS), так і метрики часової стабільності (tOF ratio, Warping Error), а також показники обчислювальної ефективності (FPS, кількість параметрів).
Запропоновано методику Парето-аналізу в просторі цільових функцій, релевантних до сценарію розгортання, та зважену інтегральну оцінку з явно заданими ваговими коефіцієнтами. RVRT демонструє найвищу якість відновлення на обох датасетах (30,42 дБ на GoPro, 36,08 дБ на DVD) та лідирує за всіма чотирма показниками якості й часової стабільності. Для сценарію автономної детекції PVDNet забезпечує найкращий баланс якість–продуктивність–компактність на GoPro (29,44 дБ при 8,46 FPS, 5,13М параметрів), тоді як на DVD до Парето-фронту долучається STFAN (33,11 дБ при 8,18 FPS).
Крос-датасетний аналіз виявив суттєву зміну відносного ранжування алгоритмів між датасетами: STFAN, що є аутсайдером на GoPro, набирає 5,57 дБ на DVD та стає конкурентоспроможною Парето-оптимальною альтернативою, тоді як RVRT зберігає абсолютне лідерство на обох наборах.
Значення tOF ratio систематично нижчі на DVD для всіх алгоритмів, що свідчить про складнішу часову динаміку цього датасету порівняно з GoPro. Надано практичні рекомендації для двох сценаріїв розгортання: автономної детекції об'єктів, де пріоритетами є якість відновлення та пропускна здатність, і операторського управління, де вирішальним обмеженням є затримка обробки кадру.
Посилання
1. Zhong Z. et al. (2020). Efficient Spatio-Temporal Recurrent Neural Network for Video Deblurring. In: Vedaldi, A., Bischof, H., Brox, T., Frahm, JM. (eds) Computer Vision – ECCV 2020. ECCV 2020, Lecture Notes in Computer Science, Vol. 12351. Springer, Cham. doi: 10.1007/978-3-030-58539-6_12.
2. Son H. et al. (2021). Recurrent Video Deblurring with Blur-Invariant Motion Estimation and Pixel Volumes. ACM Trans. Graphics (TOG), Vol. 40, Iss. 5, Art. No.: 185, pp. 1–18. doi: 10.1145/3453720.
3. Liang J. et al. (2022). Recurrent Video Restoration Transformer with Guided Deformable Attention. Proc. NeurIPS. doi: 10.48550/arXiv.2206.02146.
4. Zamir S. W. et al. (2022). Restormer: Efficient Transformer for High-Resolution Image Restoration. Proc. CVPR. doi: 10.48550/arXiv.2111.09881.
5. Zhou S. et al. (2019). Spatio-Temporal Filter Adaptive Network for Video Deblurring. Proc. ICCV. doi: 10.48550/arXiv.1904.12257.
6. Kupyn O., Martyniuk T., Wu J., Wang Z. (2019). DeblurGAN-v2: Deblurring (Orders-of-Magnitude) Faster and Better. Proc. ICCV. DOI: 10.1109/ICCV.2019.00897.
7. Wang Z., Bovik A. C., Sheikh H. R., Simoncelli E. P. (2004). Image Quality Assessment: From Error Visibility to Structural Similarity. IEEE Trans. Image Processing, Vol. 13, Iss. 4, pp. 600--612. DOI: 10.1109/TIP.2003.819861.
8. Zhang R., Isola P., Efros A. A., et al. (2018). The Unreasonable Effectiveness of Deep Features as a Perceptual Metric. Proc. CVPR. DOI: 10.1109/CVPR.2018.00068.
9. Sajjadi M. S. M., Vemulapalli R., Brown M. (2018). Frame-Recurrent Video Super-Resolution. Proc. CVPR. DOI: 10.1109/CVPR.2018.00693.
10. Lai W.-S., Huang J.-B., Ahuja N., Yang M.-H. (2016). A Comparative Study for Single Image Blind Deblurring. Proc. CVPR. DOI: 10.1109/CVPR.2016.188.
11. Son H., Lee J., Cho S., Lee S. (2022). Real-Time Video Deblurring via Lightweight Motion Compensation. Computer Graphics Forum (Proc. Pacific Graphics), Vol. 41, Iss. 7, pp. 177-188. doi: 10.1111/cgf.14667.
12. Wu S. et al. (2025). RT-Focuser: A Real-Time Lightweight Model for Edge-side Image Deblurring. Proc. ICTA. DOI: 10.1109/ICTA68203.2025.11329854.
13. Cheng J. et al. (2025). FPGA-Based Real-Time Deblurring and Enhancement for UAV-Captured Infrared Imagery. Remote Sensing, Vol. 17, Iss. 20, 3446. doi: 10.3390/rs17203446.
14. Nah S., Kim T. H., Lee K. M. (2017). Deep Multi-Scale CNN for Dynamic Scene Deblurring. Proc. CVPR. DOI: 10.1109/CVPR.2017.35.
15. Su S., Delbracio M., Wang J., et al. (2017). Deep Video Deblurring for Hand-held Cameras. Proc. CVPR. DOI: 10.1109/CVPR.2017.33.
16. Farneback G. (2003). Two-Frame Motion Estimation Based on Polynomial Expansion. In: Bigun, J., Gustavsson, T. (eds) Image Analysis: Proc. 13th Scandinavian Conference (SCIA), LNCS 2749, Vol. 2749, pp. 363--370, Springer, Berlin, Heidelberg. doi: 10.1007/3-540-45103-X_50.
17. Lai W.-S., Huang J.-B., Wang O., et al. (2018). Learning Blind Video Temporal Consistency. Proc. ECCV. doi: 10.48550/arXiv.1808.00449.
18. Miettinen K. (1999). Nonlinear Multiobjective Optimization. Kluwer Academic Publishers. Def. 2.2.1.
19. Ehrgott M. (2005). Multicriteria Optimization, 2nd ed. Springer. Ch. 2.
20. Boreman G. D. (2001). Modulation Transfer Function in Optical and Electro-Optical Systems. SPIE Press. PDF ISBN: 9780819480453, Print ISBN: 9780819441430. doi: 10.1117/3.419857.
21. Gonzalez R. C., Woods R. E. (2018). Digital Image Processing, 4th ed. Pearson. Ch. 5.
Завантаження
Опубліковано
Номер
Розділ
Ліцензія
Авторське право (c) 2026 Д. Д. Ляуданський, I. О. Приходько
Ця робота ліцензується відповідно до ліцензії Creative Commons Attribution 4.0 International License.
1. Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution License, котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у нашому журналі.
2. Автори мають право укладати самостійні додаткові угоди щодо неексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована нашим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у нашому журналі.
3. Політика журналу дозволяє і заохочує розміщення рукопису роботи авторами в мережі Інтернет (наприклад, на arXiv.org або на особистих веб-сайтах). Причому рукописи статей можуть бути розміщенні у відкритих архівах як до подання рукопису до редакції, так і під час його редакційного опрацювання. Це сприяє виникненню продуктивної наукової дискусії, позитивно позначається на оперативності ознайомлення наукової спільноти з результатами Ваших досліджень і як наслідок на динаміці цитування вже опублікованої у журналі роботи. Детальніше про це: The Effect of Open Access.
