Los objetos borrosos ocurren con frecuencia en escenas donde la cámara se está moviendo. Esto hace que los contornos de los objetos no se vean claramente o bien que toda la imagen aparezca borrosa, como desenfocada. En algunos casos las imágenes borrosas por movimiento podrían ser usadas para indicar la velocidad del sujeto fotografiado o para separarla del fondo de la imagen.
“El efecto de imagen borrosa por movimiento da pistas valiosas para entender el contexto de una imagen“, dicen Tim Brooks y Jonathan Barron. Los investigadores escribieron en el artículo correspondient: “Dada una sola imagen conteniendo objetos borrosos, uno puede estimar la dirección relativa y la magnitud de la escena al ver cuanto ha afectado el desenfoque observado. Este movimiento puede tener significado semántico o puede ser usado para quitarle lo borrosa a la imagen a través de un algoritmo para sintetizarlo en una imagen más clara y precisa”.
Investigaciones recientes hablan del uso de algoritmos de aprendizaje profundo para quitar las imágenes borrosas con movimiento de una foto o bien, inferir la dinámica del movimiento dada una escena. Para entrenar a estos algoritmos, sin embargo, los investigadores necesitan una gran cantidad de datos, los cuales se generan típicamente generando una imagen borrosa de manera sintética en cada escena. En última instancia, la extensión de los algoritmos de aprendizaje profundo pueden quitar lo borroso en los objetos por el movimiento y en gran medida, usar los datos que le dan realismo a las escenas.
“En este artículo, tratamos el inverso de este problema (bastante estudiado) de estimación de los objetos borrosos y del cómo borrarlos, como si se tratase de un problema de primera clase”, dicen Brooks y Barron en su artículo. “Presentamos una manera rápida y efectiva de sintetizar los datos de entrenamiento para hacer un algoritmo que quite lo borroso en los objetos y que demuestre cuantitativamente que nuestra técnica generaliza a partir de los datos sintetizados de entrenamiento a las imágenes reales donde hay objetos borrosos debido a un movimiento de los objetos (o de la cámara)”.
La red neuronal desarrollada por Brooks y Barron incluye una nueva capa de “predicción lineal”, la cyal enseña al sistema a hacer una regresión de un par de imágenes tomadas consecutivamente a una imagen borrosa que se encuentra entre estas dos imágenes claras. Su modelo requiere muchos datos de entrenamiento, por lo que los investigadores diseñaron y ejecutaron una estrategia que usa una técnica de interpolación de cuadros para generar conjuntos de datos sintetizados grandes de imágenes borrosas, así como sus respectivos datos de entrada.
Brooks y Barron también capturaron un conjunto grande de alta calidad, de imágenes borrosas sintetizadas de videos en cámara lenta y entonces usaron esto para evaluar su modelo contra las técnicas conocidas. Su modelo logró resultados muy prometedores, sobrepasando los que se obtienen usando otros enfoques, tanto en precisión como en velocidad.
Se entiende que muchos fotógrafos y cineastas usen el efecto borroso como algo artístico, produciendo fotografías borrosas en movimiento, y esto en general requiere de un proceso de prueba y error, que requiere de habilidades avanzadas y de un buen equipo de fotografía o video. Y debido a esto, la mayoría de las cámaras comerciales se han diseñado para tomar imágenes que minimicen el movimiento. Esto quiere decir que el fotógrafo amateur no tiene mucho espacio para experimentar con imágenes borrosas en movimiento.
En última instancia, el enfoque de los investigadores podría tener una serie de aplicaciones interesantes. Por ejemplo, podría hacer que el efecto de movimiento borroso accesible a los fotógrafos causales, o bien, podría generar mejores efectos, más realistas en este sentido, a través de las redes neuronales.