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
View Adaptive Light Field Deblurring Networks with Depth Perception
Beijing Jiaotong University（北京交通大学）；Beijing Key Laboratory of Traffic Data Analysis and Mining（北京市交通数据分析与挖掘重点实验室）；CAAC Key Laboratory of Intelligent Passenger Service of Civil Aviation（中国民航局民航智能旅客服务重点实验室）
光场（LF）去模糊任务是一个具有挑战性的问题，因为模糊图像是由不同的原因引起的，如相机抖动和物体运动。单图像去模糊方法是解决这一问题的一种可能途径。但是，由于它独立地处理每个视图，并且不能有效地利用和维护LF结构，因此恢复效果通常不理想。此外，LF模糊更复杂，因为程度受视图和深度的影响。因此，我们精心设计了一种新的LF去模糊网络的基础上LF模糊特性。一方面，由于不同视角下的模糊程度差异很大，我们设计了一种新的视角自适应空间卷积来消除模糊LF，它为每个视角计算唯一的卷积核。另一方面，由于模糊程度也随着对象的深度而变化，因此深度感知视图注意力被设计为通过选择性地整合来自不同视图的信息来消除不同深度区域的模糊。此外，我们引入了一个角度位置嵌入，以更好地保持LF结构，这保证了模型正确地恢复视图信息。对合成图像和真实图像的定量和定性实验结果表明，该方法的去模糊效果优于其他现有方法。
2023-03-13 cs.CV eess.IV
Blur Invariant Kernel-Adaptive Network for Single Image Blind deblurring
Seoul National University（首尔国立大学）
我们提出了一种新的，盲目的，单一的图像去模糊方法，利用模糊核的信息。我们的模型解决了去模糊问题分为两个连续的任务：（1）模糊核估计和（2）清晰的图像复原。我们首先介绍了一个核估计网络，产生自适应模糊核的基础上分析的模糊图像。该网络学习输入图像的模糊模式，并训练生成图像特定模糊核的估计。随后，我们提出了一个去模糊网络，使用估计的模糊核恢复清晰的图像。为了有效地使用内核，我们提出了一个内核自适应AE块，将模糊图像和模糊内核的特征编码到低维空间中，然后同时对它们进行解码，以获得适当的合成特征表示。我们使用各种高斯模糊内核在REDS，GOPRO和Flickr2K数据集上评估我们的模型。实验表明，我们的模型可以在每个数据集上实现最先进的结果。
2020-12-15 cs.CV
Realistic Blur Synthesis for Learning Image Deblurring
POSTECH（浦项科技大学）
基于训练学习的去模糊方法需要大量的模糊和清晰图像对。不幸的是，现有的合成数据集不够真实，并且在其上训练的去模糊模型不能有效地处理真实的模糊图像。虽然最近已经提出了真实的数据集，但它们提供的场景和相机设置的多样性有限，并且捕获不同设置的真实数据集仍然具有挑战性。为了解决这个问题，本文分析了各种因素，引入真实和合成模糊图像之间的差异。为此，我们提出了RSBlur，一个新的数据集，具有真实的模糊图像和相应的清晰图像序列，以详细分析真实和合成模糊之间的差异。通过数据集，我们揭示了模糊生成过程中不同因素的影响。在此基础上，我们还提出了一种新的模糊合成流水线来合成更真实的模糊。我们表明，我们的合成流水线可以提高真实模糊图像的去模糊性能。
2022-07-21 cs.CV
Collaborative Blind Image Deblurring
Université Paris-Saclay（巴黎萨克雷大学）；ENS Paris-Saclay（巴黎萨克雷高等师范学院）；CNRS（法国国家科学研究中心）；Centre Borelli（博雷利中心）
本文提出一种协同盲图像去模糊方法，通过提取并联合处理具有相似模糊的图像块堆栈，在堆栈维度引入池化层，显著提升了图像锐化、去抖动和像差校正的性能。
2023-05-25 cs.CV eess.IV
Rethinking Blur Synthesis for Deep Real-World Image Deblurring
Xi’an Jiaotong University（西安交通大学）
在本文中，我们研究了现实世界的图像去模糊的问题，并考虑到提高深度图像去模糊模型的性能的两个关键因素，即训练数据合成和网络架构设计。在现有合成数据集上训练的去模糊模型由于域偏移而在真实模糊图像上表现不佳。为了减少合成域和真实域之间的域差距，我们提出了一种新的真实感模糊合成流水线来模拟相机成像过程。作为我们提出的合成方法的结果，现有的去模糊模型可以更强大的处理现实世界的模糊。此外，我们开发了一个有效的去模糊模型，同时捕获非本地的依赖关系和本地上下文的特征域。具体来说，我们引入多路径Transformer模块UNet架构丰富的多尺度特征学习。在三个真实世界数据集上的综合实验表明，所提出的去模糊模型的性能优于最先进的方法。
2022-09-28 cs.CV
Single-image Defocus Deblurring by Integration of Defocus Map Prediction Tracing the Inverse Problem Computation
Tohoku University（东北大学）；RIKEN Center for AIP（理化学研究所人工智能中心）
本文研究了散焦图像去模糊问题。以前的经典方法遵循两步方法，即，首先进行散焦图估计，然后进行非盲去模糊。在深度学习时代，一些研究人员试图通过CNN解决这两个问题。然而，表示模糊水平的散焦图的简单级联导致次优性能。考虑到散焦模糊的空间变化特性和散焦图中指示的模糊水平，我们采用散焦图作为条件指导来调整来自输入模糊图像的特征，而不是简单的拼接。然后，我们提出了一个简单而有效的网络与空间调制的基础上散焦地图。为了实现这一点，我们设计了一个由三个子网络组成的网络，包括散焦图估计网络，将散焦图编码为条件特征的条件网络，以及基于条件特征执行空间动态调制的散焦去模糊网络。此外，空间动态调制基于仿射变换函数来调整来自输入模糊图像的特征。实验结果表明，在常用的公共测试数据集上，该方法比现有方法具有更好的定量和定性评价性能.
2022-07-07 cs.CV eess.IV
Blur2Blur: Blur Conversion for Unsupervised Image Deblurring on Unknown Domains
VinAI Research（VinAI研究院）；MBZUAI（Mohamed bin Zayed 人工智能大学）；Posts & Telecommunications Inst. of Tech.（邮电技术学院）；University of Adelaide（阿德莱德大学）
本文提出Blur2Blur框架，通过利用无配对数据将难以处理的模糊图像转换为更易去模糊的模糊图像，简化了图像去模糊任务，并在多个基准上显著优于现有方法。
2024-03-24 cs.CV
GS-Blur: A 3D Scene-Based Dataset for Realistic Image Deblurring
Seoul National University（首尔大学）；ASRI（先进科学技术研究院）；IPAI（智能与交互系统研究院）
针对现有去模糊数据集模糊类型单一、构建成本高的问题，提出基于3DGS重建3D场景、沿随机运动轨迹渲染的GS-Blur数据集，具备多样真实模糊效果，可提升去模糊模型泛化性能。
2024-10-31 cs.CV
Convolutional Deblurring for Natural Imaging
University of Toronto（多伦多大学）
在本文中，我们提出了一种新的设计，图像去模糊的形式，一次卷积滤波，可以直接卷积与自然模糊的图像进行恢复。光学模糊的问题是许多遭受光学缺陷的成像应用的共同缺点。尽管有许多以包含或排除形式盲目估计模糊的去卷积方法，但由于高计算成本和低图像重建质量，它们实际上是具有挑战性的。高精度和高速度是数字存档中高通量成像平台的先决条件。在这样的平台中，在图像采集之后，在被存储、预览或处理以用于高级解释之前，需要去模糊。因此，这种图像的即时校正对于避免可能的时间延迟、减轻计算费用以及提高图像感知质量是重要的。我们通过将去卷积内核合成为有限脉冲响应（FIR）偶导数滤波器的线性组合来弥合这一差距，该滤波器可以直接与模糊输入图像进行卷积，以提高与光学模糊相关的点扩散函数（PSF）的频率下降。我们采用高斯低通滤波器解耦的图像去噪问题的图像边缘去模糊。此外，我们提出了一种盲方法来估计两个高斯和拉普拉斯模型，这是常见的许多成像管道的PSF统计。彻底的实验设计，以测试和验证所提出的方法的效率，使用2054自然模糊的图像在6个成像应用程序和7个国家的最先进的反卷积方法。
2019-07-19 cs.CV eess.IV
Blind Image Deblurring by Spectral Properties of Convolution Operators
在本文中，我们研究的问题，恢复一个清晰的版本，一个给定的模糊图像时，模糊核是未知的。以前的方法通常在所需的模糊核上引入与图像无关的正则化器（例如高斯或稀疏先验）。我们将展示模糊图像本身编码了关于模糊核的丰富信息。这些信息可以通过分析和比较作为卷积算子的图像的频谱在模糊前后如何变化来发现。我们的分析导致了一个有效的凸正则化的模糊内核，它只依赖于给定的模糊图像。我们证明了，如果原始图像足够清晰，则该正则化器的最小值保证了对模糊核的良好近似。通过将这个强大的正则化器与传统的图像去模糊技术相结合，我们展示了如何通过对真实图像的模拟和实验来显着改善去模糊结果。此外，我们的分析和实验有助于解释一个被广泛接受的学说，即边缘是很好的功能去模糊。
2014-04-22 cs.CV
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
MC-Blur: A Comprehensive Benchmark for Image Deblurring
Australian National University（澳大利亚国立大学）；Nanjing University（南京大学）；Sun Yat-sen University（中山大学）；Rakuten Institute of Technology（乐天技术研究所）；Tencent（腾讯）；University of California at Merced（加州大学默塞德分校）
本文构建了大规模多原因图像去模糊数据集MC-Blur，包含混合模糊因素的真实与合成图像，并基于此对SOTA去模糊方法进行广泛基准测试，揭示了现有方法的优缺点及新数据集的先进性。
2023-09-11 cs.CV
ID-Blau: Image Deblurring by Implicit Diffusion-based reBLurring AUgmentation
National Yang Ming Chiao Tung University（国立阳明交通大学）；National Tsing Hua University（国立清华大学）；National Chengchi University（国立政治大学）；Qualcomm Technologies, Inc.（高通技术公司）
针对图像去模糊领域数据增强研究不足的问题，提出ID-Blau隐式扩散重模糊增强方法，通过可控模糊条件图生成多样化训练样本，有效提升了现有去模糊模型的性能。
2024-05-21 cs.CV
Blind Image Deblurring via Reweighted Graph Total Variation
Peking University（北京大学）；Harbin Institute of Technology（哈尔滨工业大学）；National Institute of Informatics（国立信息学研究所）
盲图像去模糊，即，在不知道模糊核的情况下去模糊是高度不适定的问题。该问题可以分两部分解决：i）从模糊图像估计模糊核，以及ii）给定估计的模糊核，对模糊输入进行去卷积以恢复目标图像。在本文中，通过将图像补丁解释为加权图上的信号，我们首先认为骨架图像-保留目标的强梯度但平滑细节的代理-可以用于准确地估计模糊核，并且具有独特的双峰边缘权重分布。然后，我们设计了一个重新加权的图总变差（RGTV）之前，可以有效地促进双峰边缘权重分布给定的模糊补丁。然而，最小化一个盲图像去模糊目标与RGTV的结果在一个非凸不可微的优化问题。我们提出了一种快速算法，解决了骨架图像和模糊核交替。最后利用计算得到的模糊核，应用当前的非盲图像去模糊算法恢复目标图像。实验结果表明，我们的算法可以鲁棒地估计大的核尺寸的模糊核，重建清晰的图像是竞争力的国家的最先进的方法。
2017-12-24 cs.CV
BluRef: Unsupervised Image Deblurring with Dense-Matching References
本文提出一种无监督图像去模糊方法，利用简单数据收集流程生成伪真实数据，无需配对数据即可提升去模糊效果，适用于不同场景和设备。
2026-03-15 cs.CV
Graph-Based Blind Image Deblurring From a Single Photograph
Peking University（北京大学）；National Institute of Informatics（国立信息学研究所）；Harbin Institute of Technology（哈尔滨工业大学）
盲图像去模糊，即，在不知道模糊核的情况下去模糊是高度不适定的问题。该问题可以分两部分解决：i）从模糊图像估计模糊核，以及ii）给定估计的模糊核，对模糊输入进行去卷积以恢复目标图像。在本文中，我们提出了一种基于图的盲图像去模糊算法，通过解释一个图像补丁作为一个信号的加权图。具体来说，我们首先认为，骨架图像-一个代理，保留目标的强梯度，但平滑的细节-可以用来准确地估计模糊内核，并具有独特的双峰边缘权重分布。然后，我们设计了一个重新加权的图总变差（RGTV）之前，可以有效地促进双峰边缘权重分布给定的模糊补丁。此外，为了在图频域中分析RGTV，我们引入了一个新的权函数来表示RGTV作为图$l_1$ -拉普拉斯正则化。这导致了一个图形频谱滤波解释的先验与理想的属性，包括鲁棒性噪声和模糊，强分段平滑（PWS）滤波和锐度提升。RGTV最小化盲图像去模糊目标导致非凸不可微优化问题。我们利用新的图形光谱解释RGTV设计一个有效的算法，解决了骨架图像和模糊核交替。具体到高斯模糊，我们提出了一个进一步的加速策略，盲高斯去模糊使用加速图谱滤波。最后，利用计算出的模糊核，可以应用最近的非盲图像去模糊算法来恢复目标图像。实验结果表明，我们的算法成功地恢复潜在的清晰图像，并优于国家的最先进的方法定量和定性。
2018-02-22 cs.CV
Unsupervised Domain-Specific Deblurring via Disentangled Representations
University of Maryland, College Park（马里兰大学帕克分校）
图像去模糊的目的是从模糊图像中恢复出潜在的清晰图像。在本文中，我们提出了一种无监督的方法，特定领域的单图像去模糊的基础上解开表示。通过使用内容编码器和模糊编码器分离模糊图像中的内容和模糊特征来实现解纠缠。我们强制执行KL发散损失，以正则化提取的模糊属性的分布范围，使得包含的内容信息很少。同时，为了处理不成对的训练数据，增加了模糊分支和循环一致性损失，以保证去模糊结果的内容结构与原始图像相匹配。我们还在去模糊结果上添加对抗性损失以生成视觉逼真的图像，并添加感知损失以进一步减轻伪影。我们使用合成数据集和真实图像对人脸和文本去模糊的任务进行了广泛的实验，与最近最先进的去模糊方法相比，取得了更好的结果。
2019-08-05 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
Blur-Attention: A boosting mechanism for non-uniform blurred image restoration
Beijing University of Technology（北京工业大学）；Beijing Key Laboratory of Computational Intelligence and Intelligent System（计算智能与智能系统北京市重点实验室）；The Hong Kong Polytechnic University（香港理工大学）
动态场景去模糊是计算机视觉中一个具有挑战性的问题。传统方法难以准确估计空间变化的模糊核。基于数据驱动的方法通常采用无核的端到端映射方案，容易忽略核估计。为了解决这个问题，我们提出了一个模糊注意力模块动态捕捉空间变化的非均匀模糊图像的功能。该模块由一个密集块单元和一个空间注意力单元与多池特征融合，它可以有效地提取复杂的空间变化的模糊特征。我们设计了一种多级剩余连接结构，将多个模糊注意力模块连接起来，形成模糊注意力网络。通过将模糊注意力网络引入到条件生成对抗框架中，提出了一种针对单幅图像的端到端盲运动去模糊方法，即模糊注意力GAN（BAG）。该方法可以根据空间变化的模糊特征自适应地选择提取特征的权值，动态地恢复图像。实验结果表明，该方法的去模糊能力在PSNR，SSIM和主观视觉质量方面取得了优异的客观性能。此外，通过可视化的模糊注意力模块提取的特征，全面讨论其有效性。
2020-08-19 cs.CV eess.IV
EndoCaver: Handling Fog, Blur and Glare in Endoscopic Images via Joint Deblurring-Segmentation
1 CyPhi ( ) AI Research Lab, School of IT, Monash University, Malaysia Campus；2 Department of Electronic \& Computer Engineering, The Hong Kong University of Science；3 Shenzhen Institute of Advanced Technology, Chinese Academy of Sciences
本文提出EndoCaver，一种轻量级变压器，通过联合去模糊与分割任务，有效处理内窥镜图像中的雾、模糊和眩光问题，提升结肠癌筛查的自动化检测性能。
2026-01-30 cs.CV eess.IV
Motion Deblurring using Spatiotemporal Phase Aperture Coding
Tel Aviv University（特拉维夫大学）
运动模糊是摄影中的一个已知问题，因为它限制了捕捉移动物体时的曝光时间。在这项工作中，提出并证明了一种用于运动去模糊的计算成像方法。在图像采集期间在透镜孔径中使用动态相位编码，运动的轨迹被编码在中间光学图像中。该编码通过对每个对象的空间模糊着色来嵌入运动方向和范围。颜色线索用作盲去模糊过程的先验信息，该盲去模糊过程使用被训练为利用这种编码进行图像恢复的卷积神经网络（CNN）来实现。我们证明了所提出的方法的优势，盲去模糊没有编码和其他解决方案，使用编码采集，无论是在模拟和现实世界的实验。
2020-02-18 cs.CV eess.IV
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
Adaptive Window Pruning for Efficient Local Motion Deblurring
Nanyang Technological University（南洋理工大学）；State Key Laboratory of Extreme Photonics and Instrumentation（极端光学与仪器国家重点实验室）
本文提出LMD-ViT，通过自适应窗口剪枝聚焦局部区域去模糊，减少计算量，提升速度与性能，显著降低FLOPs并加速推理。
2023-10-15 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
Semi-Blind Image Deblurring Based on Framelet Prior
Department of Mathematics, University of Mohaghegh Ardabili（莫哈格赫·阿尔达比勒大学数学系）
针对图像去模糊中PSF难以精确获取、去模糊模型为病态问题的情况，提出结合Framelet变换与分数阶计算改进全变分方法的半盲图像去模糊算法，经多类图像测试与现有方法对比验证效果。
2023-10-02 cs.CV eess.IV
Explore Image Deblurring via Blur Kernel Space
VinAI Research（VinAI研究院）；VinUniversity；Stony Brook University（石溪大学）
本文介绍了一种方法来编码的模糊算子的任意数据集的清晰模糊图像对到模糊核空间。假设编码后的核空间足够接近野生模糊算子，我们提出了一种交替优化算法的盲图像去模糊。它在编码空间中用一个核函数逼近一个不可见的模糊算子，并搜索相应的清晰图像。与最近基于深度学习的方法不同，我们的系统可以处理看不见的模糊内核，同时避免在经典方法中经常发现的模糊算子上使用复杂的手工先验。由于该方法的设计，编码的核空间是完全可微的，因此可以很容易地在深层神经网络模型中采用。此外，我们的方法可以用于模糊合成，通过将现有的模糊算子从给定的数据集转移到一个新的域。最后，我们提供了实验结果来证实所提出的方法的有效性。
2021-04-03 cs.AI cs.CV
Select Good Regions for Deblurring based on Convolutional Neural Networks
Changchun Institute of Optics, Fine Mechanics and Physics, Chinese Academy of Science（中国科学院长春光学精密机械与物理研究所）；Changchun University of Science and Technology（长春理工大学）
图像盲去模糊的目的是从一幅模糊核未知的模糊图像中恢复清晰的图像。大多数图像去模糊方法都集中在图像先验知识的开发上，而对图像细节和结构对模糊核估计的影响没有给予足够的重视。什么是有用的图像结构，如何选择一个好的去模糊区域？在这项工作中，我们提出了一种深度神经网络模型方法，用于选择好的区域来估计模糊核。首先，我们用标签构建图像块并训练深度神经网络，然后应用学习的模型来确定图像的哪个区域最适合去模糊。实验结果表明，该方法是有效的，并能够选择良好的区域进行图像去模糊。
2020-08-12 cs.CV
A Constrained Deformable Convolutional Network for Efficient Single Image Dynamic Scene Blind Deblurring with Spatially-Variant Motion Blur Kernels Estimation
Chongqing University of Posts and Telecommunications（重庆邮电大学）；Chongqing University（重庆大学）
现有的基于深度学习的单幅图像动态场景盲去模糊（SIDSBD）方法通常设计深度网络直接从一幅输入的运动模糊图像中去除空间变化的运动模糊，而不进行模糊核估计。受投影运动路径模糊（PMPB）模型和可变形卷积的启发，提出了一种新的约束可变形卷积网络（CDCN），用于有效的单幅图像动态场景盲去模糊，同时实现了精确的空变运动模糊核估计和高质量的运动模糊图像复原。在我们提出的CDCN中，我们首先构建了一个新的多尺度多级多输入多输出（MSML-MIMO）编码器-解码器架构，以获得更强大的特征提取能力。其次，与DLVBD方法使用多帧连续图像不同，提出了一种新的约束可变形卷积再模糊（CDCR）策略，该策略首先对输入的单幅运动模糊图像的模糊特征进行可变形卷积，以学习每个像素的运动模糊核的采样点，其类似于PMPB模型中相机抖动的运动密度函数的估计，然后提出一种新的基于PMPB的再模糊损失函数来约束学习的采样点收敛，可以使学习的采样点与各像素的相对运动轨迹更好地匹配，提高空变运动模糊核估计的准确性。
2022-08-23 cs.CV
Towards Unified Image Deblurring using a Mixture-of-Experts Decoder
Cidaut AI；POSTECH
本文提出首个基于混合专家解码器的统一图像去模糊方法，动态路由特征以处理多种模糊类型，性能媲美专用模型且泛化良好。
2025-10-07 cs.CV
BANet: Blur-aware Attention Networks for Dynamic Scene Deblurring
National Tsing Hua University（国立清华大学）；National Chengchi University（国立政治大学）；Qualcomm Technologies, Inc.（高通技术公司）；National Yang Ming Chiao Tung University（国立阳明交通大学）
图像运动模糊是由物体运动和相机抖动的组合引起的，并且这种模糊效果通常是方向性的和不均匀的。以前的研究试图解决非均匀模糊使用自回归多尺度，多补丁，或多时间架构与自注意力，以获得体面的结果。然而，使用自循环框架通常会导致更长的推理时间，而像素间或通道间的自关注可能会导致过多的内存使用。本文提出了一种模糊感知的注意力网络（BANet），通过一个单一的前向传递，实现准确和有效的去模糊。我们的BANet利用基于区域的自注意力和多核条带池来解开不同幅度和方向的模糊模式，并级联并行扩张卷积来聚合多尺度内容特征。在GoPro和RealBlur基准上的大量实验结果表明，所提出的BANet在模糊图像复原方面表现良好，并且可以实时提供去模糊结果。
2022-10-25 cs.CV
Layer Decomposition Learning Based on Gaussian Convolution Model and Residual Deblurring for Inverse Halftoning
Kunsan National University（群山国立大学）
将输入图像分离成基本层和细节层的层分解已经被稳定地用于图像恢复。现有的基于加性模型的残差网络需要具有小输出范围的残差层，以实现快速收敛和视觉质量改善。然而，在逆半色调中，均匀的点图案阻碍来自残余层的小输出范围。因此，本文提出了一种基于高斯卷积模型（GCM）和结构感知去模糊策略的新的层分解网络，实现了基本层和细节层的残差学习。对于基本层，提出了一种新的基于GCM的残差子网络。GCM利用统计分布，其中模糊的连续色调图像和具有高斯滤波器的模糊的半色调图像之间的图像差异可以导致窄的输出范围。随后，基于GCM的残差子网络使用高斯滤波的半色调图像作为输入，并输出图像差作为残差，从而生成基层，即，高斯模糊的连续色调图像。对于细节层，提出了一种新的结构感知残差去模糊子网络（SARDS）。为了去除基础层的高斯模糊，SARDS使用预测的基础层作为输入并输出去模糊版本。为了更有效地恢复图像结构，如线条和文字，一个新的图像结构映射预测器被纳入到去模糊网络，以诱导结构自适应学习。提出了一种基于GCM和SARDS的基本层和细节层残差学习的实现方法。此外，它是验证所提出的方法优于国家的最先进的方法的基础上U-网络，直接去模糊网络，逐步残差网络。
2021-02-07 cs.CV eess.IV
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
Image Deblurring using GAN
HKUST（香港科技大学）
针对传统图像复原技术难以处理复杂模糊模式的问题，本研究提出基于GAN的图像去模糊框架，在Tensorflow上用GoPRO数据集训练，在运动模糊图像上取得29.3的平均PSNR与0.72的SSIM，提升了图像复原的实际应用潜力。
2023-12-15 cs.CV eess.IV
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
Multi-Temporal Recurrent Neural Networks For Progressive Non-Uniform Single Image Deblurring With Incremental Temporal Training
UNIST（蔚山国家科学技术研究院）
多尺度（MS）方法已经被广泛研究用于盲的单图像/视频去模糊，其顺序地首先恢复低空间尺度的去模糊图像，然后恢复高空间尺度的去模糊图像，随后输出较低尺度的图像。MS方法对于由高空间尺度中的大运动引起的严重模糊特别有效，因为那些可以被视为低空间尺度中的小模糊。在这项工作中，我们调查的替代方法MS，称为多时间（MT）的方法，非均匀单图像去模糊。我们提出了基于时间分辨数据集构建的MT级数据集的增量时间训练，开发了具有递归特征映射的新型MT-RNN，并研究了迭代过程中渐进的单图像去模糊。我们提出的MT方法在PSNR方面优于GoPro数据集上最先进的MS方法，参数数量最少。
2019-11-18 cs.CV eess.IV
Towards Differential Handling of Various Blur Regions for Accurate Image Deblurring
Beijing Normal University（北京师范大学）
提出差异化处理网络DHNet，通过Volterra块集成非线性特性并设计退化程度识别专家模块DDRE，自适应处理不同模糊区域的退化，在合成和真实数据集上超越SOTA方法。
2025-03-04 cs.CV
Handling noise in image deblurring via joint learning
Shanghai Advanced Research Institute, Chinese Academy of Sciences（中国科学院上海高等研究院）
目前，许多盲去模糊方法都假设模糊图像是无噪声的，对含噪声的模糊图像去模糊效果不理想。噪声在真实场景中非常普遍。一个简单的解决方案是在去模糊之前对图像进行去噪。然而，即使是最先进的降噪器也不能保证完全消除噪音。去噪图像中的轻微残留噪声可能会在去模糊阶段引起显著的伪影。为了解决这个问题，我们提出了一个级联的框架组成的去噪子网络和去模糊子网络。与以前的方法不同，我们联合训练两个子网。联合学习降低了去噪后残余噪声对去模糊的影响，从而提高了去模糊对强噪声的鲁棒性。此外，我们的方法也有助于模糊核估计。在CelebA数据集和GOPRO数据集上的实验表明，我们的方法与几种最先进的方法相比表现良好。
2020-01-27 cs.CV
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
Blur2seq: Blind Deblurring and Camera Trajectory Estimation from a Single Camera Motion-blurred Image
提出一种从单张模糊图像联合估计清晰图像与相机运动轨迹的深度学习框架，利用可微模糊模块和端到端训练，在严重或空间变化模糊下达到最先进性能。
2025-10-23 cs.CV cs.LG
CogSENet: Blind Image Deblurring with Blur-Conditioned Semantic Routing and Explicit Frequency Fusion
University of Science and Technology of China（中国科学技术大学）；Westlake University（西交大学）；University of Michigan（密歇根大学）
提出CogSENet，通过模拟鹰视觉系统的语义驱动状态空间模块和双频融合块，实现空间变化模糊下的自适应恢复，在去模糊、去雾、去雨和去噪任务上优于现有方法。
2026-06-29 cs.CV
Blind Image Deblurring with FFT-ReLU Sparsity Prior
University of Dhaka（达卡大学）
本文提出一种利用针对模糊核的FFT-ReLU稀疏先验的盲图像去模糊方法，能在广泛图像类型中有效去模糊，且推理速度比现有最优算法快两倍。
2024-09-24 cs.CV
Intriguing Findings of Frequency Selection for Image Deblurring
East China Normal University（华东师范大学）；the Johns Hopkins University（约翰斯·霍普金斯大学）；Shanghai Jiao Tong University（上海交通大学）
通过估计潜在清晰图像和给定模糊图像的模糊核，在频域中自然地分析模糊。近年来图像去模糊的研究主要集中在端到端的结构设计上，从像素级学习模糊图像对和清晰图像对的区别，这就不可避免地忽略了模糊核函数的重要性。本文揭示了一个有趣的现象，即简单地在模糊图像的频域上应用ReLU操作，然后进行逆傅立叶变换，即，频率选择提供了关于模糊图案的忠实信息（例如，模糊方向和模糊级别隐含地示出了内核模式）。基于这一观察，我们试图通过将傅立叶变换、ReLU操作和傅立叶逆变换插入到标准ResBlock中，来利用图像去模糊网络的内核级信息。进一步添加1x 1卷积，以使网络调制灵活的频率选择阈值。我们将我们新构建的块称为Res FFT-ReLU块，它通过学习频率-空间双域表示来利用内核级和像素级特征。进行了大量的实验，以获得一个全面的分析的见解的方法。此外，将该块插入NAFNet后，我们可以在GoPro数据集上实现33.85 dB的PSNR。我们的方法显着改善骨干架构，而不引入许多参数，同时保持低的计算复杂性。代码可在https://github.com/DeepMed-Lab/DeepRFT-AAAI2023上获得。
2022-11-29 cs.CV
Efficient Blind Deblurring under High Noise Levels
CMLA；ENS Cachan（卡尚高等师范学院）；CNRS（法国国家科学研究中心）；IIE
图像盲去模糊的目的是在不知道摄像机运动的情况下，从运动模糊的图像中恢复清晰的图像。目前最先进的方法在没有噪声或噪声水平非常低的图像上具有非常好的性能。然而，考虑到低光条件是由于需要较长曝光时间而导致运动模糊存在的主要原因，无噪声假设是不现实的。事实上，运动模糊和高到中等的噪音经常一起出现。大多数作品通过首先估计模糊核$k$，然后对有噪声的模糊图像进行去卷积来解决这个问题。在这项工作中，我们首先表明，目前国家的最先进的核估计方法的基础上的$\ell_0$梯度先验可以适应处理高噪声水平，同时保持其效率。然后，我们表明，通过首先对模糊图像进行去噪，可以显着改进快速非盲反卷积方法。所提出的方法产生的结果，相当于那些获得更多的计算要求的方法。
2019-05-16 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
Deep Joint Unrolling for Deblurring and Low-Light Image Enhancement (JUDE)
KC Machine Learning Lab（KC机器学习实验室）
针对夜间低光与模糊的联合问题，提出基于物理模型的深度展开方法JUDE，通过迭代解模糊与分解实现增强，在LOL-Blur和Real-LOL-Blur上超越现有技术。
2024-12-16 cs.CV
Gyroscope-Assisted Motion Deblurring Network
Harbin Institute of Technology（哈尔滨工业大学）；Soochow University（苏州大学）；Fraunhofer Institute for Applied Information Technology FIT（弗劳恩霍夫应用信息技术研究所）
本文提出利用IMU数据合成和恢复运动模糊图像的框架，包含训练三元组生成策略和陀螺仪辅助运动去模糊网络，实验证明其合成轨迹接近真实且显著提升了去模糊性能。
2024-02-10 cs.CV cs.GR cs.LG
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
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
NTIRE 2021 Challenge on Image Deblurring
Seoul National University（首尔大学）
运动模糊是动态环境中常见的摄影伪影，通常与其他类型的降级一起出现。本文回顾了NTIRE 2021年图像去模糊挑战赛。在这份挑战报告中，我们描述了挑战的细节和评估结果，从2个竞争轨道与建议的解决方案。虽然这两个轨道的目标是从模糊图像恢复高质量的干净图像，不同的文物共同参与。在轨道1中，模糊图像的分辨率较低，而轨道2的图像以JPEG格式压缩。在每一场比赛中，分别有338和238名注册参赛者，在最后的测试阶段，分别有18和17支队伍参加比赛。获奖方法展示了联合组合伪影的图像去模糊任务的最新性能。
2021-04-30 cs.CV
Stripformer: Strip Transformer for Fast Image Deblurring
National Tsing Hua University（台湾清华大学）；National Chengchi University（政治大学）；National Yang Ming Chiao Tung University（阳明交通大学）；Qualcomm Technologies, Inc.（高通技术公司）
在动态场景中拍摄的图像可能包含不需要的运动模糊，这会显著降低视觉质量。这样的模糊导致短距离和长距离区域特定的平滑伪影，其通常是方向性的和不均匀的，难以被去除。受当前Transformers在计算机视觉和图像处理任务上的成功的启发，我们开发了Stripformer，一种基于变压器的架构，该架构构造带内和带间令牌，以在水平和垂直方向上重新加权图像特征，以捕获具有不同方向的模糊图案。它堆叠交错的带内和带间注意层，以揭示模糊程度。除了检测各种方向和幅度的特定于区域的模糊模式之外，Stripformer还是一种令牌高效和参数高效的Transformer模型，需要比普通Transformer少得多的内存使用和计算成本，但在不依赖于大量训练数据的情况下工作得更好。实验结果表明，Stripformer在动态场景去模糊方面优于现有模型。
2022-07-22 cs.CV
A survey on facial image deblurring
University of Chinese Academy of Sciences（中国科学院大学）
当面部图像模糊时，它会显著影响高级视觉任务，如面部识别。人脸图像去模糊的目的是从模糊的输入图像中恢复清晰的图像，这可以提高识别精度等。然而，一般的去模糊方法对人脸图像的效果并不好。因此，一些人脸去模糊的方法已经被提出来，通过添加语义或结构信息作为特定的先验，根据人脸图像的特点来提高性能。在本文中，我们调查和总结了最近发表的人脸图像去模糊的方法，其中大部分是基于深度学习。首先，我们简要介绍了图像模糊的建模。接下来，我们将人脸去模糊方法归纳为两类：基于模型的方法和基于深度学习的方法。此外，我们总结了数据集，损失函数，和性能评估指标通常用于神经网络训练过程中。我们展示了经典方法在这些数据集和指标上的性能，并简要讨论了基于模型和基于学习的方法之间的差异。最后，我们讨论了当前面临的挑战和未来可能的研究方向。
2023-03-16 cs.CV
Motion Deblurring in the Wild
图像去模糊是一个非常不适定的问题，因为图像和模糊都是未知的。此外，当在野外拍摄照片时，由于空间变化的模糊和对象之间的遮挡，这项任务变得更具挑战性。由于一般图像模型的复杂性，我们提出了一种新的卷积网络结构，它直接产生清晰的图像。该网络是内置的三个阶段，并利用金字塔计划的好处，经常使用在盲反卷积。训练这样一个网络的主要困难之一是设计一个合适的数据集。虽然可以通过合成模糊一组图像来获得有用的数据，但必须在野外收集更真实的数据。为了获得这样的数据，我们使用高帧速率摄像机，并保持一帧作为清晰图像和帧平均作为相应的模糊图像。我们表明，这个现实的数据集是实现最先进的性能和处理遮挡的关键。
2017-08-29 cs.CV
Single Image Deblurring and Camera Motion Estimation with Depth Map
Australian National University（澳大利亚国立大学）；Northwestern Polytechnical University（西北工业大学）；Australia Centre for Robotic Vision（澳大利亚机器人视觉中心）
曝光过程中的相机抖动是手持摄影的一个主要问题，因为它会导致图像模糊，破坏拍摄图像的细节。在现实世界中，这种模糊主要是由相机运动和复杂的场景结构引起的。虽然已经基于关于场景结构或相机运动的各种假设提出了相当多的现有方法，但是很少有现有方法可以处理真实的6 DoF相机运动。在本文中，我们提出联合估计6 DoF相机运动，并通过利用它们的潜在几何关系来消除相机运动引起的不均匀模糊，并将单个模糊图像及其深度图（直接深度测量或学习的深度图）作为输入。我们制定我们的联合去模糊和6自由度相机运动估计作为一个能量最小化的问题，这是解决在一个替代的方式。我们的模型能够恢复6自由度相机运动和潜在的干净图像，这也可以实现从单个模糊图像生成清晰序列的目标。在具有挑战性的真实世界和合成数据集上的实验表明，在我们提出的框架内可以很好地解决相机抖动引起的图像模糊问题。
2019-03-01 cs.CV
