Ferramentas de referência

source2026-05-deblur/reference/

Implementação de referência + utilitários para gerar o dataset e rodar o benchmark. Não é uma submissão - só serve como baseline e tooling auxiliar.

Conteúdo

bmp_io.py - leitor/escritor estrito de BMP 24-bit grayscale (R=G=B)
wiener.py - solver Wiener com parâmetros fixos (não adapta ao frame), lê stdin, escreve stdout. Baseline intencionalmente burro: não estima nada a partir do frame.
score.py - calcula PSNR entre dois BMPs (usado pelo bench harness)
generate.py - baixa as imagens originais, normaliza pra 512x512 cinza, borra com PSF gaussiana de largura σ ~ U(0, 3.5) sorteada por frame + ruído aditivo gaussiano de desvio padrão σ_n ~ U(5, 15) também sorteado por frame, grava em inputs/ e expected/. Os σ sorteados são impressos em stderr ao gerar (útil pra debug/verificação) mas não são shippados com o dataset.
Dockerfile - empacota wiener.py como container, mesmo contrato das submissões (stdin -> stdout, sem disco gravável). Útil pra testar o bench/run.sh end-to-end antes de qualquer submissão real existir.

Rodar

As dependências ficam isoladas neste diretório (pyproject.toml próprio). O default é só numpy; pillow + requests ficam no extra [generate], necessário só pra generate.py (download + render do dataset, one-shot).

A partir da raiz do repo:

# 0. Resolver as deps mínimas (só numpy)
uv sync --project 2026-05-deblur/reference

# 1. Rodar o solver de referência num caso
uv run --project 2026-05-deblur/reference \
    python 2026-05-deblur/reference/wiener.py \
    < 2026-05-deblur/inputs/house.bmp \
    > /tmp/house_out.bmp

# 2. Conferir o PSNR
uv run --project 2026-05-deblur/reference \
    python 2026-05-deblur/reference/score.py \
    /tmp/house_out.bmp \
    2026-05-deblur/expected/house.bmp

# 3. (Opcional) Regenerar o dataset
uv sync --project 2026-05-deblur/reference --extra generate
uv run --project 2026-05-deblur/reference \
    python 2026-05-deblur/reference/generate.py

Modelo direto vs inverso

O gerador aplica convolução circular (FFT-based) com PSF gaussiana de largura σ sorteada por frame, depois soma ruído aditivo de intensidade σ_n também sorteada por frame:

blurred = IFFT( FFT(sharp) * FFT(gaussian_psf(sigma_i)) ) + N(0, sigma_n_i^2)

O solver de referência aplica Wiener com um σ_chute e um λ fixos (sem adaptação ao frame):

F_hat = G * conj(H(σ_chute)) / (|H(σ_chute)|^2 + λ)
sharp_hat = IFFT(F_hat)

Implementações de submissão devem assumir o mesmo modelo direto - convolução periódica (não zero-padded), ruído aditivo per-frame. As faixas dos parâmetros (σ ~ U(0, 3.5), σ_n ~ U(5, 15)) estão declaradas em ../README.md - sua estratégia de inversão precisa estimar o valor de cada frame ou ser robusta sobre toda a faixa. A escolha da estratégia (Wiener com σ estimado, Richardson-Lucy, TV, rede neural leve, etc.) é com você.