An Improved Optimal Proximal Gradient Algorithm for Non-Blind Image Deblurring
The Chinese University of Hong Kong（香港中文大学）
针对已知模糊核的非盲图像去模糊优化问题，提出改进最优近端梯度算法IOptISTA，基于$l_1$范数和总变分范数正则化实验验证，其PSNR、SSIM值更高且误差容限更低。
2025-02-11 cs.CV math.OC
Graph Convolutional Networks in Feature Space for Image Deblurring and Super-resolution
The University of Manchester（曼彻斯特大学）
图卷积网络（GCN）在处理非欧几里得结构数据方面取得了巨大成功。他们的成功直接归功于将图结构有效地拟合到社交媒体和知识数据库中的数据。对于图像处理应用，还没有充分探索图形结构和GCN的使用。在本文中，我们提出了一种新的编码器-解码器网络，通过将特征映射转换为预生成的图的顶点来综合构建图结构数据，从而增加了图卷积。通过这样做，我们非显式地将图拉普拉斯正则化应用于特征图，使它们更加结构化。实验表明，它显着提高了图像复原任务的性能，包括去模糊和超分辨率。我们相信它为基于GCN的方法在更多应用中开辟了机会。
2021-05-21 cs.CV
MBMamba: When Memory Buffer Meets Mamba for Structure-Aware Image Deblurring
Shanghai Jiao Tong University（上海交通大学）
MBMamba通过引入记忆缓冲机制和伊辛启发正则化损失，提升结构感知图像去模糊性能。
2025-11-30 cs.CV
Total variation with overlapping group sparsity for image deblurring under impulse noise
University of Electronic Science and Technology of China（电子科技大学）；Nanjing Normal University（南京师范大学）
本文提出一种结合总变分与重叠组稀疏性的模型，用于在脉冲噪声下恢复模糊图像，通过引入盒约束和ADMM框架下的高效算法，有效缓解阶梯效应并提升PSNR和相对误差。
2013-12-21 cs.CV cs.NA math.NA
Regularization via deep generative models: an analysis point of view
本文提出了一种新的正则化成像反问题的方法（例如，去模糊或修复）。与端到端模型相比，这种方法似乎特别有趣，因为只要生成模型适合数据，相同的网络就可以用于许多不同的问题和实验条件。以前的工作提出使用一个合成框架，其中的估计是执行的潜在向量，解决方案是通过解码器之后获得。相反，我们提出了一种分析公式，我们直接优化图像本身并惩罚潜在向量。我们说明了这样的配方的利益，通过运行实验的修复，去模糊和超分辨率。在许多情况下，我们的技术实现了性能的明显改善，似乎更强大，特别是在初始化方面。
2021-01-21 cs.CV cs.LG eess.IV
Inexact Alternating Direction Method Based on Newton descent algorithm with Application to Poisson Image Deblurring
Third Military Medical University（第三军医大学）；National University of Defense Technology（国防科技大学）
在天文和生物医学等现代成像应用中，从被线性算子退化并进一步被泊松噪声破坏的观测中恢复图像是一个重要的任务。基于全变分半范数的正则化算子由于其边缘保持能力已成为泊松图像复原的标准技术。各种有效的算法已被开发用于解决相应的非光滑正则化项的最小化问题。本文受交替方向最小化算法和具有上收敛速度的牛顿法思想的启发，进一步利用目标函数的邻近海森矩阵信息，以一种让人想起牛顿下降法的方式，提出了不精确交替方向方法。此外，我们还研究了在一定条件下所提出的算法的全局收敛性。最后，我们通过对泊松图像去模糊的数值实验，说明了所提出的算法优于当前最先进的算法。
2015-03-16 cs.CV
Self-Supervised Linear Motion Deblurring
ETH Zürich（苏黎世联邦理工学院）；Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）；Univeristy of Tübingen（图宾根大学）；Microsoft Mixed Reality and Artificial Intelligence Lab（微软混合现实与人工智能实验室）；Chalmers University of Technology（查尔姆斯理工大学）
运动模糊图像对许多计算机视觉算法提出了挑战，例如，特征检测、运动估计或对象识别。深度卷积神经网络是图像去模糊的最新技术。然而，获得具有对应的清晰和模糊图像对的训练数据可能是困难的。在本文中，我们提出了一种用于自监督运动去模糊的可微分再模糊模型，该模型使网络能够从真实世界的模糊图像序列中学习，而无需依赖于清晰的图像进行监督。我们的关键见解是，从连续图像中获得的运动线索产生足够的信息，通知去模糊任务。因此，我们制定去模糊作为逆渲染问题，考虑到物理图像形成过程：我们首先预测两个去模糊的图像，我们估计相应的光流。使用这些预测，我们重新渲染模糊图像，并最小化与原始模糊输入的差异。我们使用合成和真实数据集进行实验评估。我们的实验表明，自我监督的单图像去模糊是真正可行的，并导致视觉上引人注目的结果。
2020-02-10 cs.CV
Joint Estimation of Camera Pose, Depth, Deblurring, and Super-Resolution from a Blurred Image Sequence
Seoul National University（首尔大学）
从严重模糊或低分辨率的图像中估计相机姿态和场景结构的传统方法经常导致失败。现成的去模糊或超分辨率方法可以显示视觉上令人愉悦的结果。然而，在匹配之前独立地应用每种技术通常是无利可图的，因为这一系列天真的过程忽略了图像之间的一致性。在本文中，我们提出了一个开创性的统一框架，同时解决四个问题，即密集的深度重建，相机姿态估计，超分辨率，去模糊。通过反映一个物理成像过程，我们制定了一个成本最小化问题，并使用交替优化技术解决它。在合成视频和真实视频上的实验结果都显示了从严重退化的图像中获得的高质量深度图，这些图像对比了幼稚的多视图立体视觉方法的失败。我们提出的方法还产生了出色的去模糊和超分辨率图像，不同于传统的视频去模糊，超分辨率方法的独立应用程序或组合。
2017-09-18 cs.CV
Phase-only Image Based Kernel Estimation for Single-image Blind Deblurring
Australian National University（澳大利亚国立大学）；Australian Centre for Robotic Vision（澳大利亚机器人视觉中心）；Northwestern Polytechnical University（西北工业大学）
图像模糊过程通常被建模为模糊核与潜像的卷积。因此，模糊核的估计对于盲图像去模糊至关重要。与现有的方法，专注于接近的问题，通过强制执行各种先验的模糊核和潜像，我们的目标是直接通过研究在频域中的问题，以获得一个高品质的模糊核。我们证明了绝对纯相位图像的自相关可以提供关于运动的可靠信息（例如运动方向和幅度，我们称之为运动模式）。这导致了模糊，从而产生了一种新的有效的模糊核估计方法。然后，通过对模糊核和潜像进行正则化来解决优化问题，从而细化模糊核并估计清晰图像。我们进一步扩展我们的方法来处理非均匀模糊，这涉及到空间变化的模糊内核。我们的方法进行了广泛的评估合成和真实的数据，并显示出良好的效果相比，国家的最先进的去模糊的方法。
2019-04-17 cs.CV
An Algorithm Unrolling Approach to Deep Image Deblurring
Pennsylvania State University（宾夕法尼亚州立大学）；Technion-Israel Institute of Technology（以色列理工学院）
虽然神经网络在许多情况下已经实现了比传统迭代法大大增强的性能，但它们通常是经验设计的，并且底层结构难以解释。算法展开方法有助于将迭代算法连接到神经网络架构。然而，这样的连接尚未进行盲图像去模糊。在本文中，我们提出了一个神经网络架构，推进这一想法。我们首先提出了一个迭代算法，可以被认为是一个推广的传统的全变差正则化方法的梯度域，随后展开的半二次分裂算法来构建一个神经网络。我们提出的深度网络实现了显着的实际性能增益，同时享有可解释性。实验结果表明，我们的方法优于许多国家的最先进的方法。
2019-02-15 cs.CV cs.LG stat.ML
Inertial nonconvex alternating minimizations for the image deblurring
National University of Defense Technology（国防科技大学）；Universidad de Zaragoza（萨拉戈萨大学）
在图像处理中，全变差（TV）正则化模型通常用于恢复模糊图像。求解凸TV问题的最有效和最流行的方法之一是乘子的交替方向法（ADMM）算法，最近使用惯性邻近点方法对其进行了扩展。虽然所有的经典研究都集中在凸形式上，但由于其良好的数值性能和性质，最近的文章越来越关注非凸方法。在本文中，我们提出了一种新的非凸交替方向法的乘子惯性技术（IADMM），以扩展的经典公式。在一定的参数假设下，我们证明了算法的收敛性的帮助下的Kurdyka-Schojasiewicz性质。我们还提出了数值模拟经典的电视图像重建问题，以说明新算法的效率和它的行为相比，以及建立ADMM方法。
2019-07-27 cs.CV cs.MM eess.IV
Deep Algorithm Unrolling for Blind Image Deblurring
The Pennsylvania State University（宾夕法尼亚州立大学）；Technion, Israel Institute of Technology（以色列理工学院）
盲图像去模糊一直是一个令人感兴趣的话题。基于学习的方法，特别是那些采用神经网络的方法已经出现，以补充传统的基于模型的方法，并在许多情况下实现了极大的增强性能。也就是说，神经网络方法通常是根据经验设计的，底层结构很难解释。近年来，一种称为算法展开的有前途的技术已经开发出来，它有助于将迭代算法（如稀疏编码算法）与神经网络架构联系起来。然而，这样的连接尚未进行盲图像去模糊。在本文中，我们提出了一个神经网络架构的基础上，这一想法。我们首先提出了一个迭代算法，可以被认为是传统的总变分正则化方法在梯度域的推广。然后，我们展开算法来构建一个用于图像去模糊的神经网络，我们将其称为深度展开盲去模糊（DUBLID）。在训练图像的帮助下学习关键算法参数。我们提出的深度网络DUBLID实现了显着的实际性能增益，同时享有可解释性。大量的实验结果表明，DUBLID优于许多国家的最先进的方法，此外是计算速度更快。
2019-05-29 cs.CV cs.LG eess.IV
INFWIDE: Image and Feature Space Wiener Deconvolution Network for Non-blind Image Deblurring in Low-Light Conditions
Tsinghua University（清华大学）；Beijing Institute of Technology（北京理工大学）
在弱光环境下，手持摄影在长时间曝光设置下会遭受严重的相机抖动。尽管现有的去模糊算法在曝光良好的模糊图像上表现出了良好的性能，但它们仍然不能处理低光快照。复杂的噪声和饱和区域是实际弱光去模糊中的两个主要挑战。在这项工作中，我们提出了一种新的非盲去模糊方法称为图像和特征空间维纳反卷积网络（INFWIDE），以系统地解决这些问题。在算法设计方面，INFWIDE提出了一种双分支结构，该结构在图像空间中显式地去除噪声和饱和区域，并在特征空间中抑制振铃伪影，并将两个互补的输出与微妙的多尺度融合网络相结合，以实现高质量的夜间照片去模糊。为了有效的网络训练，我们设计了一组损失函数，集成了前向成像模型和后向重建，以形成闭环正则化，从而确保深度神经网络的良好收敛。此外，为了优化INFWIDE在真实低光条件下的适用性，采用基于物理过程的低光噪声模型来合成逼真的噪声夜间照片用于模型训练。INFWIDE利用传统Wiener反卷积算法的物理驱动特性和新兴的深层神经网络的表示能力，在恢复细节的同时抑制去模糊过程中令人不快的伪影。在合成数据和真实数据上的实验表明了该方法的优越性能。
2023-02-17 cs.CV eess.IV
UHD Image Deblurring via Autoregressive Flow with Ill-conditioned Constraints
Shandong Normal University（山东师范大学）；Qilu University of Technology（齐鲁工业大学）；Nanjing University of Science and Technology（南京理工大学）；National University of Defense Technology（国防科学技术大学）；Shandong University（山东大学）
本文提出了一种基于自回归流和病态约束的超高清图像去模糊方法，通过分阶段细化和高效ODE采样提升细节恢复与推理效率。
2026-03-11 cs.CV
Jointly RS Image Deblurring and Super-Resolution with Adjustable-Kernel and Multi-Domain Attention
Chongqing University of Posts and Telecommunications（重庆邮电大学）；Chongqing Institute of Green and Intelligent Technology, Chinese Academy of Sciences（中国科学院重庆绿色智能技术研究院）
针对遥感图像同时存在全局低分辨率与局部模糊退化的问题，提出含可调核去模糊分支、多域注意力SR分支及特征融合模块的AKMD-Net，结合自适应维纳损失，在常用数据集上实现SOTA的联合去模糊与超分辨率性能。
2024-12-07 cs.CV
Self-Supervised Multi-Scale Network for Blind Image Deblurring via Alternating Optimization
College of Computer Science, Beijing University of Technology（北京工业大学计算机学院）
本文提出一种自监督多尺度盲图像去模糊方法，通过交替优化联合估计潜像与模糊核，利用多尺度生成器协同估计避免由粗到细传播，在合成与真实数据上表现优越。
2024-09-02 cs.CV
Blind Motion Deblurring Super-Resolution: When Dynamic Spatio-Temporal Learning Meets Static Image Understanding
Hebei University of Technology（河北工业大学）；Australian National University（澳大利亚国立大学）；Tencent（腾讯）
单帧图像超分辨率和多帧图像超分辨率是实现低分辨率图像超分辨率的两种方法。单图像SR通常独立地处理每个图像，但忽略了连续帧中隐含的时间信息。多帧SR能够通过捕获运动信息来对时间依赖性进行建模。然而，它依赖于在现实世界中并不总是可用的相邻帧。同时，轻微的相机抖动容易导致长距离拍摄的低分辨率图像上的严重运动模糊。为了解决这些问题，提出了一种盲运动去模糊超分辨率网络（BMDSRNet），用于从单个静态运动模糊图像中学习动态时空信息。运动模糊图像是在相机曝光过程中随着时间的推移而积累的，而所提出的BMDSRNet学习逆过程，并使用基于良好设计的重建损失函数的三流来学习双向时空信息，以恢复干净的高分辨率图像。大量的实验表明，所提出的BMDSRNet优于最近的国家的最先进的方法，并有能力同时处理图像去模糊和SR。
2021-10-19 cs.CV
Frequency-Decoupled Diffusion Guidance for Non-Blind Image Deblurring
Nankai University（南开大学）；Tsinghua University（清华大学）
提出频率解耦后验引导，分离频率激活与衰减正则化，结合渐进频率调度和核导出的衰减图，并引入局部轨迹正则化，在非盲去模糊中实现强PSNR/SSIM性能。
2026-10-06 cs.CV
Patch-Ordering as a Regularization for Inverse Problems in Image Processing
Technion – Israel Institute of Technology（以色列理工学院）
图像处理中的最新工作表明，对图像中的（重叠）块进行操作可能会导致最先进的结果。这已经被证明是各种问题，包括去噪，修复，去模糊和超分辨率。[1，2]中报告的工作向前迈出了额外的一步，表明可以利用这些补丁来形成近似的最短路径以进行更好的处理。其核心思想是对补丁置换后获得的1D平滑信号应用简单的滤波器。这个想法也被探索结合小波金字塔，最终导致一个复杂的和高效的正则化逆问题成像。在这项工作中，我们进一步研究了补丁置换的概念，并利用它提出了一个新的简单而有效的正则化图像复原问题。我们的方法建立在经典的最大后验概率（MAP），惩罚函数由一个定期的对数似然项和一个新的置换为基础的正则化项。使用普通的1D拉普拉斯算子，所提出的正则化在置换像素上强制鲁棒平滑（L1）。由于置换源于补丁排序，我们建议在所有补丁的像素上累积平滑项。此外，我们考虑到相邻补丁之间的距离排序，加权拉普拉斯结果。我们证明了所提出的方案上的一组不同的问题：（i）严重的泊松图像去噪，（ii）高斯图像去噪，（iii）图像去模糊，（iv）单图像超分辨率。在所有这些情况下，我们使用最新的方法来处理这些问题作为我们方案的初始化。这之后是上述惩罚函数的L-BFGS优化，导致最先进的结果，特别是对于高度不适定的情况。
2016-02-26 cs.CV
Deep Learning for Cornea Microscopy Blind Deblurring
Ecole Polytechnique Fédérale de Lausanne (EPFL)（洛桑联邦理工学院）
该项目的目标是构建一个深度学习解决方案，用于消除角膜扫描的模糊，用于医疗检查。眼睛的球形形状使眼科医生无法获得完全清晰的图像。我们的方法是建立一个模型，使用SR（超分辨率）网络执行图像的放大。
2020-06-25 cs.CV
A Robust Alternating Direction Method for Constrained Hybrid Variational Deblurring Model
Wuhan University of Technology（武汉理工大学）；Wuhan University（武汉大学）
在这项工作中，一个新的约束混合变分去模糊模型，结合非凸的一阶和二阶全变分正则化。此外，一个盒子约束施加在所提出的模型，以保证高的去模糊性能。所开发的约束混合变分模型可以在保留图像细节和减轻振铃伪影之间实现良好的平衡。在下文中，我们通过采用基于乘子交替方向法的迭代重加权算法来给出相应的数值解。实验结果表明，所提出的方法在定量和定性的图像质量评估方面的优越性能。
2013-10-02 cs.CV
Saturation-Aware Space-Variant Blind Image Deblurring
Faculty of Computer science, University of New Brunswick（新 Brunswick大学计算机科学学院）；Department of Computer Science, Brandon University（布兰顿大学计算机科学系）；Department of Applied Computer Science, University of Winnipeg（温尼伯大学应用计算机科学系）
本文提出一种考虑饱和的空变盲图像去模糊框架，通过分割模糊强度和接近饱和区域，利用预估计的光扩散函数减轻杂光影响，提升去模糊效果。
2026-04-17 cs.CV
Image Restoration using Total Variation Regularized Deep Image Prior
Washington University in St. Louis（圣路易斯华盛顿大学）
在过去的十年中，稀疏驱动的正则化导致了图像重建的显着改善。传统的正则化器，如全变差（TV），依赖于稀疏性的分析模型。然而，越来越多的领域正在转向可训练的模型，灵感来自深度学习。深度图像先验（DIP）是最近的正则化框架，其使用卷积神经网络（CNN）架构，而没有数据驱动的训练。本文通过将DIP框架与传统的TV正则化相结合，扩展了DIP框架。我们表明，包括电视导致相当大的性能增益测试时，对几个传统的恢复任务，如图像去噪和去模糊。
2018-10-30 cs.CV
Point spread function estimation for blind image deblurring problems based on framelet transform
University of Mohaghegh Ardabili（莫哈格·阿达比里大学）
图像处理中最重要的问题之一是由于模糊处理而丢失的图像的近似。这类问题分为非盲问题和盲问题。由于原始图像和点扩散函数估计的未知性，第二类问题在计算方面比第一类问题更复杂。本文提出了一种基于$l_0-αl_1$正则化和小框架变换的粗到精迭代算法来逼近扩展函数估计。小框架转移由于核到不同频率的分解而改善了恢复的核。在该模型中，采用分数阶梯度算子代替了普通的梯度算子.该方法是研究不同类型的图像，如文字，人脸，自然。该方法的输出反映了所提出的算法在恢复图像的盲问题的有效性。
2021-12-21 cs.CV cs.IT eess.IV
Single Frame Deblurring with Laplacian Filters
Tampere Research Center（坦佩雷研究中心）；Huawei Technologies（华为技术有限公司）
由于问题的病态性质，盲单图像去模糊几十年来一直是一个挑战。在本文中，我们提出了一个单帧盲去模糊的解决方案与拉普拉斯滤波器的援助。利用残差稠密网络已经证明了它在超分辨率任务中的优势，因此我们选择它作为基线架构。我们在基准数据集上使用最先进的DNN方法评估了所提出的解决方案。所提出的方法显示出显着的改善，客观和主观测量的图像质量。
2020-09-17 cs.CV eess.IV
Joint Video Enhancement with Deblurring, Super-Resolution, and Frame Interpolation Network
KAIST（韩国科学技术院）
本文提出DSFN网络，通过联合去模糊与超分辨率模块和三帧帧插值模块，从低质量视频直接生成高分辨率、高帧率清晰视频，在公开数据集上以更小网络规模和更快速度超越顺序式方法。
2025-06-04 cs.CV
Scale-Equivariant Imaging: Self-Supervised Learning for Image Super-Resolution and Deblurring
ENSL, CNRS, Laboratoire de Physique（ENSL、CNRS、物理实验室）；School of Engineering, University of Edinburgh（工程学院、爱丁堡大学）
本文提出尺度等变成像方法，通过利用图像分布的尺度不变性，提升图像超分辨率和去模糊任务的性能，实现与全监督学习相当的效果。
2026-01-28 cs.CV eess.IV
Semantic-aware Image Deblurring
Xiamen University（厦门大学）；National Tsing Hua University（国立清华大学）；Beihang University（北京航空航天大学）；Tencent Youtu Lab（腾讯优图实验室）
图像去模糊技术近年来取得了令人振奋的进展。然而，传统的方法无法去模糊严重模糊的图像，语义内容出现歧义。在本文中，我们进行图像去模糊的指导下推断的语义内容从图像描述。特别地，我们提出了一种新的结构化空间语义嵌入模型（称为S3 E-Deflur），它引入了一种新的结构化空间语义树模型（S3-tree）来桥接计算机视觉中的两个基本任务：图像去模糊（ImD）和图像描述（ImC）。S3树在ImC中捕获并表示结构化空间特征的语义内容，然后将树节点的空间特征嵌入到基于GAN的ImD中。对S3树、ImC和ImD进行联合训练，以多任务端到端的方式优化整个模型。在严重模糊的MSCOCO和GoPro数据集上进行的大量实验表明，与ImD和ImC任务的最新技术相比，S3 E-Deflur具有显著的优越性。
2019-10-09 cs.CV
Gated Fusion Network for Joint Image Deblurring and Super-Resolution
Xi’an Jiaotong University（西安交通大学）；Hikvision Research（海康威视研究院）；University of California, Merced（加州大学默塞德分校）；Google Cloud（谷歌云）
单图像超分辨率是视觉应用中提高图像空间分辨率的基本任务。如果输入图像包含退化像素，则由退化引起的伪影可以通过超分辨率方法被放大。图像模糊是一种常见的退化源。由移动或静止相机捕获的图像不可避免地受到由于传感器和对象之间的相对运动而引起的运动模糊的影响。在这项工作中，我们专注于超分辨率的任务与运动模糊的存在。我们提出了一种深度门控融合卷积神经网络，从单个严重模糊的自然图像中生成清晰的高分辨率帧。通过将特征提取步骤分解为两个任务无关的流，双分支设计可以通过避免学习混合退化一体化来促进训练过程，从而增强最终的高分辨率预测结果。大量的实验表明，我们的方法产生更清晰的超分辨率图像从低分辨率的输入与高的计算效率。
2018-07-27 cs.CV
Efficient RAW Image Deblurring with Adaptive Frequency Modulation
School of Mathematics, Tianjin University（天津大学数学学院）；School of Computer Science and Technology, Harbin Institute of Technology（哈尔滨工业大学计算机科学与技术学院）；College of Intelligence and Computing, Tianjin University（天津大学智能与计算学院）
本文提出频域RAW去模糊框架FrENet，通过自适应频率位置调制和频域跳跃连接实现高质量、高效率去模糊，并可扩展至sRGB图像。
2025-09-18 cs.CV eess.IV
Unsupervised Domain-Specific Deblurring using Scale-Specific Attention
IIT Madras（印度理工学院马德拉斯分校）
在文献中，粗到精或尺度递归的方法，即逐步恢复一个干净的图像从其低分辨率的版本已成功地用于单图像去模糊。然而，现有方法的一个主要缺点是需要成对的数据，即同一场景的sharpblur图像对，这是一个复杂和繁琐的采集过程。此外，由于对损失函数的强监督，这种网络的预训练模型强烈偏向于训练期间经历的模糊，并且当在推理时间期间遇到新的模糊内核时，倾向于给出次优性能。为了解决上述问题，我们提出了无监督的特定领域的去模糊使用的规模自适应注意力模块（SAAM）。我们的网络不需要监督对进行训练，去模糊机制主要由对抗性损失指导，因此使我们的网络适合模糊函数的分布。给定一个模糊的输入图像，在训练过程中，我们的模型使用了同一图像的不同分辨率，SAAM允许跨分辨率的有效信息流。对于特定规模的网络训练，SAAM关注作为当前规模的函数的较低规模特征。不同的消融研究表明，我们的粗到细的机制优于端到端的无监督模型和SAAM是能够更好地参加相比，文献中使用的注意力模型。定性和定量比较（无参考指标）表明，我们的方法优于以前的无监督方法。
2021-12-12 cs.CV
Learning Degradation Representations for Image Deblurring
CUHK（香港中文大学）；NVIDIA AI Technology Center（英伟达人工智能技术中心）；SenseTime Research（商汤科技研究院）；Centre for Perceptual and Interactive Intelligence Limited（感知与交互智能中心有限公司）；Xidian University（西安电子科技大学）
在各种基于学习的图像复原任务中，如图像去噪、图像超分辨率等，退化表示被广泛用于建模退化过程和处理复杂的退化模式。然而，它们在基于学习的图像去模糊中的探索较少，因为模糊核估计在现实世界具有挑战性的情况下不能很好地执行。我们认为，这是特别必要的图像去模糊模型退化representations，因为模糊的模式通常表现出更大的变化比嘈杂的模式或高频texture.In本文中，我们提出了一个框架来学习空间自适应退化表示模糊图像。提出了一种新的联合图像去模糊和再模糊学习过程，以提高退化表示的表达能力。为了使学习的退化表示有效地重新模糊和去模糊，我们提出了一个多尺度退化注入网络（MSDI-Net），将它们集成到神经网络。通过集成，MSDI-Net可以自适应地处理各种复杂的模糊模式。在GoPro和RealBlur数据集上的实验表明，我们提出的具有学习退化表示的去模糊框架优于最先进的方法，具有吸引人的改进。代码发布于https://github.com/dasongli1/Learning_degradation。
2022-08-10 cs.CV
SDT-DCSCN for Simultaneous Super-Resolution and Deblurring of Text Images
University of Gabes（加贝斯大学）；University of Sfax（斯法克斯大学）；University of Zaragoza（萨拉戈萨大学）；University of Johannesburg（约翰内斯堡大学）；Taif University（塔伊夫大学）；King Saud University（沙特国王大学）；University of Monastir（莫纳斯提尔大学）
SDT-DCSCN通过深度CNN架构同时实现文本图像的超分辨率和去模糊，具有高效且高精度的性能。
2022-01-15 cs.CV eess.IV
Neural Maximum A Posteriori Estimation on Unpaired Data for Motion Deblurring
真实世界动态场景去模糊长期以来一直是一个具有挑战性的任务，因为成对的模糊-尖锐训练数据是不可用的。传统的最大后验估计和基于深度学习的去模糊方法分别受到手工制作的先验和合成的模糊-尖锐训练对的限制，从而无法推广到真实的动态模糊。为此，我们提出了一种神经最大后验概率（NeurMAP）估计框架，用于训练神经网络从未配对数据中恢复盲运动信息和尖锐内容。所提出的NeruMAP由运动估计网络和去模糊网络组成，它们被联合训练以对（再）模糊过程（即似然函数）进行建模。同时，通过应用隐式动态运动先验来训练运动估计网络以探索图像中的运动信息，并且反过来强制执行去模糊网络训练（即，提供清晰的图像先验）。建议的NeurMAP是一个正交的方法，现有的去模糊神经网络，是第一个框架，使训练图像去模糊网络上不成对的数据集。实验表明，我们的优势，定量指标和视觉质量的国家的最先进的方法。代码可在https://github.com/yjzhang96/NeurMAP-deblur上获得。
2022-04-26 cs.CV eess.IV
Bi-l0-l2-Norm Regularization for Blind Motion Deblurring
Technion–Israel Institute of Technology（以色列理工学院）；KTH Royal Institute of Technology（瑞典皇家理工学院）
在盲运动去模糊中，当今的主要方法倾向于l 〇范数的高度非凸近似，特别是在图像正则化项中。在本文中，我们提出了一种简单，有效和快速的方法来估计的运动模糊内核，通过双l0-l2范数正则化施加在中间清晰的图像和模糊内核。与现有的方法相比，所提出的正则化被证明是更有效的和强大的，导致更准确的运动模糊核和更好的最终恢复图像。通过耦合算子分裂和增广拉格朗日方法，提出了一种交替计算清晰图像和模糊核的快速数值方法。在基准图像数据集和真实运动模糊图像上的实验结果表明，该方法在去模糊效果和计算效率方面都具有很强的竞争力。
2015-01-22 cs.CV
On the Generalization of BasicVSR++ to Video Deblurring and Denoising
Nanyang Technological University（南洋理工大学）
长期信息的利用一直是视频恢复中的一个难题。最近的BasicVSR和BasicVSR++通过长期传播和有效对齐在视频超分辨率方面表现出了卓越的性能。他们的成功导致了一个问题，他们是否可以转移到不同的视频恢复任务。在这项工作中，我们将BasicVSR++扩展到视频恢复任务的通用框架。在输入和输出具有相同空间大小的任务中，输入分辨率通过步幅卷积来降低以保持效率。该框架仅对BasicVSR++进行了最小的更改，在各种视频恢复任务（包括视频去模糊和去噪）中实现了令人信服的性能。值得注意的是，BasicVSR++实现了与基于transformer的方法相当的性能，参数减少高达79%，加速44倍。这些有希望的结果表明了传播和对齐在视频恢复任务中的重要性，而不仅仅是视频超分辨率。代码和模型可在https://github.com/ckkelvinchan/BasicVSR_PlusPlus上获得。
2022-06-19 cs.CV
Revisiting Image Deblurring with an Efficient ConvNet
Max-Planck-Institut für Informatik（马克斯·普朗克信息学研究所）
图像去模糊的目的是从模糊图像中恢复潜在的清晰图像，在计算机视觉中有着广泛的应用。卷积神经网络（CNN）在这一领域已经表现良好多年，直到最近，一种替代的网络架构，即Transformer，已经表现出更强的性能。人们可以将其优越性归因于多头自注意（MHSA）机制，它提供了比CNN更大的感受野和更好的输入内容适应性。然而，由于MHSA需要相对于输入分辨率二次增长的高计算成本，因此对于高分辨率图像去模糊任务来说变得不切实际。在这项工作中，我们提出了一个统一的轻量级CNN网络，具有较大的有效感受野（ERF），并表现出可比甚至更好的性能比Transformers，同时承担更少的计算成本。我们的关键设计是一个高效的CNN块称为LaKD，配备了一个大的内核深度卷积和空间通道混合结构，实现可比或更大的ERF比Transformers，但具有较小的参数规模。具体来说，我们在散焦/运动去模糊基准数据集上实现了+0.17dB / +0.43dB PSNR，参数减少了32%，MAC减少了39%。大量的实验证明了我们的网络的优越性能和每个模块的有效性。此外，我们提出了一个紧凑和直观的ERFMeter度量，定量表征ERF，并显示出高度的相关性，网络性能。我们希望这项工作可以激励研究界进一步探索图像去模糊任务之外的CNN和Transformer架构的优缺点。
2023-02-04 cs.CV
Video Deblurring with Deconvolution and Aggregation Networks
School of Electrical Engineering（电气工程学院）
本文提出反卷积与聚合网络DAN，通过预处理、对齐反卷积和帧聚合三个子网络有效利用相邻帧信息，在公开数据集上取得优于现有方法的视频去模糊性能。
2025-06-04 cs.CV
Monotonically Convergent Regularization by Denoising
Washington University in St. Louis（圣路易斯华盛顿大学）；Department of Electrical and Systems Engineering（电气与系统工程系）；Department of Computer Science and Engineering（计算机科学与工程系）
去噪正则化（RED）是一种广泛使用的框架，用于通过利用图像去噪器作为图像先验来解决逆问题。最近的工作报告了RED在许多成像应用中使用预训练的深度神经网络作为去噪器的最新性能。尽管最近的进展，RED算法的稳定收敛仍然是一个开放的问题。现有的RED理论仅保证凸数据保真度项和非扩展去噪器的稳定性。这项工作通过开发一种新的单调RED（MRED）算法来解决这个问题，该算法的收敛性不需要深度去噪先验的非扩展性。对随机矩阵的图像去模糊和压缩感知恢复的仿真结果表明，即使在传统RED算法发散的情况下，MRED算法也是稳定的。
2022-02-10 cs.CV eess.IV
Deep Video Deblurring
Universidad de la República（共和国大学）；Adobe Research（Adobe研究院）；Duke University（杜克大学）；KAUST（阿卜杜拉国王科技大学）
由相机抖动引起的运动模糊是手持设备捕获的视频中的主要问题。与单图像去模糊不同，基于视频的方法可以利用相邻帧之间存在的丰富信息。因此，性能最好的方法依赖于对齐附近的帧。然而，对准图像是计算上昂贵且脆弱的过程，并且因此聚合信息的方法必须能够识别哪些区域已经被精确对准以及哪些没有被精确对准，这是需要高水平场景理解的任务。在这项工作中，我们引入了一种深度学习解决方案来进行视频去模糊，其中CNN进行端到端训练，以学习如何跨帧积累信息。为了训练这个网络，我们收集了一个用高帧率相机记录的真实视频数据集，我们用它来生成合成运动模糊以供监督。我们表明，从这个数据集学习的功能扩展到去模糊运动模糊，由于相机抖动在广泛的视频，并比较结果的质量与其他一些基线。
2016-11-25 cs.CV
MSSNet: Multi-Scale-Stage Network for Single Image Deblurring
POSTECH（浦项科技大学）
在深度学习之前，大多数传统的单图像去模糊方法都采用从粗到精的方案，即在粗略的尺度上估计清晰的图像，并在更精细的尺度上逐步对其进行细化。虽然这种方案也被采用到几种基于深度学习的方法中，但最近引入了许多单尺度方法，在质量和计算时间方面都显示出优于以前的粗到细方法的性能。在本文中，我们重新审视粗到细的计划，并分析以前的粗到细的方法，降低其性能的缺陷。在此基础上，我们提出了基于深度学习的多尺度阶段网络（MSSNet）方法，该方法采用了我们的改进方法。具体来说，MSSNet采用了三个新的技术组件：阶段配置反映模糊尺度，一个跨尺度信息传播计划，和一个基于像素洗牌的多尺度计划。我们的实验表明，MSSNet实现了最先进的性能，在质量，网络规模和计算时间。
2022-04-05 cs.CV
FMA-Net: Flow-Guided Dynamic Filtering and Iterative Feature Refinement with Multi-Attention for Joint Video Super-Resolution and Deblurring
KAIST（韩国科学技术院）；Chung-Ang University（中央大学）
本文提出FMA-Net，通过流引导动态滤波和带多注意力的迭代特征细化，并引入时间锚损失，有效解决视频超分辨率与去模糊的联合恢复问题，性能优于现有方法。
2024-03-28 cs.CV
Adaptively Sparse Regularization for Blind Image Restoration
Institute of Optics and Electronics, Chinese Academy of Sciences（中国科学院光电技术研究所）；University of Chinese Academy of Sciences（中国科学院大学）
图像质量是图像通信和理解任务的基础。由于成像、传输等过程造成的模糊和噪声影响，图像质量下降。图像盲复原是提高图像质量的一种重要方法，其主要目标是忠实地估计模糊核和潜在的清晰图像。本研究在实验观察与研究的基础上，首次提出一种自适应稀疏正则化最小化方法。高阶梯度与低阶梯度相结合形成混合正则化项，并引入基于图像熵的自适应算子以保持良好的收敛性。对不同的模糊核和图像进行了广泛的实验。与现有的最先进的盲去模糊方法相比，我们的方法表现出优越的恢复精度。
2021-01-23 cs.CV eess.IV
GS-RealBlur: A Flexible Data Acquisition Framework for Real-World Image Deblurring
针对训练图像去模糊模型高质量配对数据难获取的问题，提出GS-RealBlur框架，通过手持相机与万向节配合采集数据，经3D重建、姿态校准及BPR模块优化，构建数据集，所训模型在真实世界去模糊基准测试中泛化性能卓越。
2026-07-20 cs.CV
DeblurSR: Event-Based Motion Deblurring Under the Spiking Representation
The University of Texas at Austin（德克萨斯大学奥斯汀分校）
DeblurSR利用事件数据和脉冲表示将模糊图像转换为清晰视频，以更高输出质量和更低计算资源超越现有方法，并支持视频超分辨率扩展。
2023-12-22 cs.CV
Multi-scale Frequency Enhancement Network for Blind Image Deblurring
The Institute of Systems Engineering, Academy of Military Science（军事科学院系统工程研究所）；School of Artificial Intelligence and Computer Science, Jiangnan University（江南大学人工智能与计算机学院）；Jiangsu Provincial Engineering Laboratory of Pattern Recognition and Computational Intelligence, Jiangnan University（江南大学江苏省模式识别与计算智能工程实验室）；College of Artificial Intelligence, China University of Petroleum(beijing)（中国石油大学（北京）人工智能学院）；Beijing Key Laboratory of Petroleum Data Mining, China University of Petroleum(beijing)（中国石油大学（北京）北京市石油数据挖掘重点实验室）
针对图像去模糊中多尺度特征与频率增强难以有效整合及非均匀模糊的问题，提出多尺度频率增强网络MFENet，通过结合多尺度特征提取与频率增强模糊感知模块，显著提升了去模糊性能及下游检测精度。
2024-11-11 cs.CV
Continuous Facial Motion Deblurring
Ajou University（亚洲大学）
我们介绍了一种新的框架，连续的面部运动去模糊，恢复连续的尖锐时刻潜在的一个单一的运动模糊的人脸图像通过一个时刻控制因素。虽然运动模糊图像是曝光时间内连续锐矩的累积信号，但大多数现有的单图像去模糊方法旨在使用多个网络和训练阶段恢复固定数量的帧。为了解决这个问题，我们提出了一个连续的面部运动去模糊网络的基础上GAN（CFMD-GAN），这是一个新的框架恢复连续时刻潜在的单一运动模糊的人脸图像与一个单一的网络和一个单一的训练阶段。为了稳定的网络训练，我们训练发电机恢复连续时刻的顺序确定我们的面部运动为基础的重新排序过程（FMR）利用特定领域的知识的脸。此外，我们提出了一个辅助回归，帮助我们的生成器产生更准确的图像，通过估计连续的尖锐时刻。此外，我们引入了一个控制自适应（ContAda）块，它执行空间可变形卷积和通道注意力作为控制因子的函数。在300 VW数据集上的大量实验表明，该框架通过改变矩控制因子来生成不同数量的连续输出帧。与最近使用相同300 VW训练集训练的单对单图像去模糊网络相比，该方法在恢复中心清晰帧方面表现出更好的性能，包括LPIPS，FID和Arcface身份距离。所提出的方法优于现有的单到视频去模糊方法的定性和定量比较。
2022-07-14 cs.CV
Burst ranking for blind multi-image deblurring
Centro de Informática, Universidade Federal de Pernambuco（伯南布哥联邦大学信息中心）；Motorola Mobility LLC (a Lenovo Company)（摩托罗拉移动有限责任公司（联想旗下公司））
本文提出了一种新的带自动图像选择的多图像增量聚合去模糊算法。主要动机是当前突发去模糊方法不能很好地处理突发中存在未对准或上下文外帧的情况。这些现实生活中的情况会导致不良的重建或手动选择将用于去模糊的图像。在突发内自动选择最佳帧以改善基础重建是具有挑战性的，因为可能的图像融合的量等于幂集基数。在这里，我们将多图像去模糊问题分为两个步骤。首先，我们使用深度卷积神经网络成功地学习了一个比较函数来对一组图像进行排序。然后，应用具有重建降级机制的增量傅立叶突发累积，仅融合足以最大化重建质量的不太模糊的图像。与其他类似的方法相比，所提出的算法的实验已经显示出优越的结果，优于其他方法在文献中描述的先前描述的情况。我们在几个合成和真实数据集上验证了我们的发现。
2018-10-30 cs.CV
Fixed Point Algorithm Based on Quasi-Newton Method for Convex Minimization Problem with Application to Image Deblurring
Third Military Medical University（第三军医大学）；National University of Defense Technology（国防科学技术大学）
求解目标函数为两个凸函数之和的最优化问题在图像处理中受到了广泛的关注。特别是，我们感兴趣的情况下，不可微的凸函数，如总变差（TV）范数被包括在目标函数，由于在图像处理中建立的许多变分模型具有这种性质。本文针对这类问题提出了一种基于拟牛顿法的快速不动点算法，并将其应用于电视图像去模糊中。新方法是从拟牛顿法的思想，和不动点算法的基础上的邻近算子，这是最近被广泛研究。利用邻近算子的非扩展性，我们进一步研究了算法的全局收敛性。对加性和乘性噪声图像去模糊问题的数值实验表明，该算法在计算效率上优于最近发展的不动点算法。
2014-12-15 cs.CV
Blind Image Deblurring based on Kernel Mixture
The University of Tennessee（田纳西大学）
盲图像去模糊试图估计模糊和模糊图像的潜像。作为不适定问题，该估计需要对潜像或表示模糊的模糊核施加限制。与以往的研究中对潜像施加先验信息不同，本文对模糊核的结构进行了调整。我们提出了一种混合核结构，同时使用高斯核作为基础核。通过组合在尺度和中心方面结构上增强的多个高斯内核，内核混合变得能够对模糊的几乎非参数形状进行建模。数据驱动的组合基本内核数量决策使结构更加灵活。我们将这种方法应用到遥感问题中，从模糊的卫星图像中恢复图像。这个案例研究表明，所提出的方法调节模糊核的优越性相比，国家的最先进的方法，调节潜像。
2021-01-15 cs.CV
Regularization by denoising: Bayesian model and Langevin-within-split Gibbs sampling
Institut Denis Poisson, University of Orléans（德尼·泊松研究所，奥尔良大学）；University of Toulouse, IRIT/INP-ENSEEIHT, CNRS（图卢兹大学，法国国家信息与自动化研究所/国立高等电子、电子技术、计算机与机械学院，法国国家科学研究中心）
本文提出一种基于去噪正则化（RED）的图像反演贝叶斯框架，并设计了内含Langevin Monte Carlo步骤的分裂Gibbs采样算法，通过去模糊等任务验证了其有效性。
2024-02-19 cs.CV cs.LG stat.ML
Deblurring by Realistic Blurring
Australian National University（澳大利亚国立大学）；Tencent AI Lab（腾讯人工智能实验室）；Rakuten Institute of Technology（乐天技术研究所）；ACRV（澳大利亚机器人视觉中心）
用于图像去模糊的现有深度学习方法通常使用成对的清晰图像及其模糊对应物来训练模型。然而，合成模糊图像不一定以足够的精度模拟真实世界场景中的真实模糊过程。为了解决这个问题，我们提出了一种新的方法，它结合了两个GAN模型，即，学习模糊GAN（B GAN）和学习去模糊GAN（DB GAN），以便通过主要学习如何模糊图像来学习用于图像去模糊的更好模型。第一个模型BGAN学习如何使用未配对的清晰和模糊图像集模糊清晰图像，然后指导第二个模型DBGAN学习如何正确地去模糊这些图像。为了减少真实模糊和合成模糊之间的差异，利用相对论性模糊损失。作为一个额外的贡献，本文还介绍了一个真实世界的模糊图像（RWBI）数据集，包括各种模糊图像。我们的实验表明，该方法实现了一贯优越的定量性能，以及更高的感知质量的新提出的数据集和公共GOPRO数据集。
2020-05-07 cs.CV
Adaptive Identification of Blurred Regions for Accurate Image Deblurring
Beijing Normal University（北京师范大学）
本文提出AIBNet，通过自适应识别模糊区域并利用空间特征差分和高频特征选择模块，实现差异化恢复，在图像去模糊任务中取得优越性能。
2025-02-28 cs.CV
Adaptive Single Image Deblurring
本文研究了动态场景去模糊问题。尽管端到端全卷积设计最近在非均匀运动去模糊方面取得了最新进展，但其性能-复杂度权衡仍然是次优的。现有的方法通过简单地增加通用卷积层的数量、内核大小来实现大的感受野，这伴随着模型大小和推理速度的增加。在这项工作中，我们提出了一个有效的像素自适应和功能注意的设计，处理大的模糊变化内和跨不同的图像。我们还提出了一个有效的内容感知的全局-局部过滤模块，显着提高了性能，不仅考虑全局依赖的像素，但也动态地使用相邻像素。我们使用由上述模块组成的补丁分层注意架构，该模块隐式地发现输入图像中存在的模糊中的空间变化，并进而执行中间特征的局部和全局调制。广泛的定性和定量比较与现有技术的去模糊基准证明了所提出的网络的优越性。
2022-01-01 cs.CV eess.IV
