Wiener Guided DIP for Unsupervised Blind Image Deconvolution
University of Zurich（苏黎世大学）
盲解卷积是从显微镜到天文学的各个领域中出现的不适定问题。问题的不适定性要求有足够的先验知识才能得出理想的解决方案。最近，已经表明深度学习架构可以在无监督盲解卷积优化期间用作图像生成先验，然而即使在单个图像上也经常表现出性能波动。我们建议使用维纳反卷积来指导图像生成器在优化过程中，通过使用从高斯开始的辅助内核估计来提供模糊图像的锐化版本。我们观察到，与低频特征相比，反卷积的高频伪影以延迟再现。此外，图像生成器比模糊图像更快地再现去卷积图像的低频特征。我们将计算过程嵌入到约束优化框架中，并表明所提出的方法在多个数据集上具有更高的稳定性和性能。此外，我们还提供了代码。
2021-12-19 cs.CV
A Clearer Picture of Blind Deconvolution
University of Bern（伯尔尼大学）
盲解卷积是从含噪模糊图像中恢复清晰图像和模糊核的问题。最近，人们在理解解决盲解卷积的基本机制方面做出了重大努力。虽然这一努力导致了有效算法的部署，但理论研究结果产生了关于这些方法为什么有效的对比观点。一方面，可以通过实验观察到交替能量最小化算法收敛到期望的解。另一方面，它已被证明，这种交替的最小化算法不应该收敛，而应该使用所谓的变分贝叶斯方法。为了澄清这个难题，最近的工作表明，一个好的图像和模糊先验反而是使盲反卷积算法工作的原因。不幸的是，这种分析并不适用于基于全变分正则化的算法。在这篇手稿中，我们提供了分析和实验，以获得更清晰的图像盲反卷积。我们的分析揭示了为什么基于全变分的算法有效的原因。我们还介绍了该算法的实现，并表明，尽管它的极端简单，它是非常强大的，并实现了性能媲美的最先进的。
2014-11-30 cs.CV
Blind Image Deconvolution using Pretrained Generative Priors
Information Technology University（信息技术大学）
本文提出了一种新的方法来正则化病态盲图像反卷积（盲图像去模糊）问题使用深度生成网络。我们采用两个独立的深度生成模型-一个经过训练以生成清晰图像，而另一个经过训练以从低维参数生成模糊内核。为了去模糊，我们提出了一个交替的梯度下降方案，该方案在每个预训练生成模型的潜在低维空间中运行。我们的实验表明，即使在大的模糊和重噪声下，也有很好的去模糊效果。为了提高生成网络没有很好地学习的丰富图像数据集的性能，我们提出了一个修改方案，该方案在生成和经典先验下控制去模糊过程。
2019-08-20 cs.CV
Blind Deconvolution for Color Images Using Normalized Quaternion Kernels
School of Mathematical Sciences, Key Laboratory of Intelligent Computing and Applications (Ministry of Education), Tongji University（数学科学学院、智能计算与应用重点实验室、同济大学）；Department of Mathematics, Hong Kong Baptist University（数学系、香港 Baptist 大学）；School of Mathematics and Statistics & RIIS, Jiangsu Normal University（数学与统计学学院及RIIS、江苏师范大学）
本文提出了一种基于归一化四元数核的颜色图像盲反卷积方法，通过设计新型四元数保真项，有效捕捉颜色通道间的相互依赖关系，提升去模糊效果。
2025-11-21 cs.CV
Blind Image Deconvolution using Deep Generative Priors
Information Technology University（信息技术大学）
本文提出了一种新的方法来正则化\textit{ill-posed}和\textit{non-linear}盲图像反卷积（盲去模糊）使用深度生成网络作为先验。我们采用了两个独立的生成模型-一个被训练来生成清晰的图像，而另一个被训练来从低维参数生成模糊核。为了去模糊，我们提出了一个交替的梯度下降方案，该方案在每个预训练生成模型的潜在低维空间中运行。我们的实验表明，即使在大的模糊和严重的噪声图像上的去模糊效果很好。为了解决生成模型的缺点，如模式坍塌，我们增加了我们的生成先验与经典的图像先验和复杂的图像数据集上的性能提高报告。去模糊性能取决于生成器的范围如何跨越图像类。有趣的是，我们的实验表明，即使是未经训练的结构化（卷积）生成网络也可以在图像去模糊上下文中充当图像先验，从而使我们能够将结果扩展到更多样化的自然图像数据集。
2019-02-26 cs.CV
DWDN: Deep Wiener Deconvolution Network for Non-Blind Image Deblurring
School of Computer Science and Engineering, Nanjing University of Science and Technology（南京理工大学计算机科学与工程学院）；Max Planck Institute for Informatics（马克斯·普朗克信息学研究所）；Department of Computer Science, TU Darmstadt（达姆施塔特工业大学计算机科学系）
本研究提出深度维纳反卷积网络DWDN，将经典维纳反卷积与深度特征结合在特征空间反卷积，经多尺度级联细化恢复图像，在多种场景下伪影更少且性能大幅优于现有非盲去模糊方法。
2024-10-08 cs.CV
Understanding Kernel Size in Blind Deconvolution
Beijing Normal University（北京师范大学）；Tianjin University（天津大学）
大多数盲反卷积方法通常预先定义一个大的核大小，以保证支持域。可能引入模糊核估计误差，从而在去模糊结果中产生严重的伪影。本文首先从理论和实验两方面分析了超大核估计误差产生的机理，并证明了它在无噪声的模糊图像中也是成立的。然后为了抑制这种不利影响，我们提出了一种基于低秩的模糊核正则化，以利用退化核中的结构信息，通过这种方法可以有效地抑制大核效应。在基准数据集上的实验结果表明，通过适当设置核大小，该方法与现有方法相当，并且在处理较大核时，无论从定量还是定性上都有很大的提高.对实际模糊图像的去模糊实验结果进一步验证了该方法的有效性。
2019-02-22 cs.CV
Blind Deconvolution Method using Omnidirectional Gabor Filter-based Edge Information
Inha University（仁荷大学）
在以往的盲去卷积方法中，去模糊图像可以通过利用边缘或像素信息来获得。然而，现有的基于边缘的方法并没有利用全方向的边缘信息，而只是在恢复去模糊图像时使用水平和垂直边缘。这种限制降低了恢复图像的质量。本文提出了一种利用不同方向的边缘来恢复真实清晰图像的方法。我们还提供了一个统计表得分，以显示有多少方向足以恢复高质量的真正清晰的图像。为了对去模糊图像的质量进行分级，我们引入了一种度量，即利用Haar小波变换的Haar散焦分数。实验结果表明，该方法获得了高质量的去模糊图像的Haar散焦分数和峰值信噪比。
2019-05-03 cs.CV
Guided Filter based Edge-preserving Image Non-blind Deconvolution
Jilin University（吉林大学）
在这项工作中，我们提出了一种新的方法，有效的边缘保持图像反卷积。我们的算法是基于一种新型的显式图像滤波引导滤波器。引导滤波器可以像流行的双边滤波器一样用作边缘保持平滑算子，但在边缘附近具有更好的行为。我们提出了一种有效的迭代算法，在恢复过程中去模糊和去噪步骤的解耦。在去模糊步骤中，我们提出了两个可以用快速傅立叶变换有效计算的代价函数。第一个解被用作引导图像，另一个解将在下一步中被过滤。在去噪步骤中，引导滤波器与获得的两幅图像一起使用，以进行高效的边缘保留滤波。此外，我们推导出一个简单有效的方法，自动调整正则化参数在每次迭代。我们比较我们的反卷积算法与许多竞争力的反卷积技术的ISNR和视觉质量。
2016-09-07 cs.CV
Neural Blind Deconvolution Using Deep Priors
Tianjin University（天津大学）；Harbin Institute of Technology（哈尔滨工业大学）
盲解卷积是一个经典而又具有挑战性的低层次视觉问题，具有许多实际应用。传统的基于最大后验（MAP）的方法严重依赖于固定的和手工的先验，这在表征干净图像和模糊核方面肯定是不够的，并且通常采用专门设计的交替最小化来避免琐碎的解决方案。相比之下，现有的深度运动去模糊网络从大量训练图像中学习到干净图像或模糊核的映射，但在处理各种复杂和大尺寸的模糊核方面受到限制。为了连接MAP和深度模型，本文提出了两个生成网络，分别对干净图像和模糊核的深度先验进行建模，并提出了一种无约束神经优化盲反卷积解决方案。特别是，我们采用了一个不对称的自动编码器与跳跃连接产生潜在的清洁图像，和一个全连接网络（FCN）产生模糊核。此外，SoftMax非线性应用于FCN的输出层，以满足非负和等式约束。神经优化的过程可以解释为一种“zero-shot”的生成网络的自监督学习，因此我们提出的方法被称为SelfDeflur。实验结果表明，我们的SelfDeflur可以实现显着的定量增益，以及更直观的去模糊结果相比，最先进的盲反卷积方法的基准数据集和真实世界的模糊图像。源代码可在https://github.com/csdwren/SelfDeblur上获得
2020-03-18 cs.CV
Phase and TV Based Convex Sets for Blind Deconvolution of Microscopic Images
Bilkent University（比尔肯特大学）
本文提出了盲反卷积问题的两个闭集和凸集。显微镜中的大多数模糊函数相对于原点是对称的。因此，它们不修改原始图像的傅里叶变换（FT）的相位。结果，模糊图像和原始图像具有相同的FT相位。因此，具有规定FT相位的图像集合可以用作盲解卷积问题中的约束集。在图像重建过程中可以使用的另一个凸集是全变差（TV）函数的上图集。该集合不需要关于图像的全变差的规定上界。上界根据恢复过程的当前图像自动调整。这两个闭集和凸集都可以用作任何盲反卷积算法的一部分。给出了仿真实例。
2015-03-16 cs.CV math.OC
Semi-Blind Spatially-Variant Deconvolution in Optical Microscopy with Local Point Spread Function Estimation By Use Of Convolutional Neural Networks
Idiap Research Institute（伊迪亚普研究所）；University of California, Santa Barbara（加州大学圣巴巴拉分校）
我们提出了一种半盲，空间变化的反卷积技术，旨在光学显微镜，结合了局部估计步骤的点扩散函数（PSF）和反卷积使用空间变化，正则化Richardson-Lucy算法。为了以计算上易于处理的方式找到局部PSF图，我们训练卷积神经网络来对合成模糊图像块执行光学参数模型的回归。我们反卷积合成和实验获得的数据，并实现了平均1.00 dB的图像信噪比的改善，相比其他反卷积算法。
2019-05-17 cs.CV cs.LG
Blind PSF estimation and methods of deconvolution optimization
InnoVinn Inc.（因诺文恩公司）；Vinnitsa National Technical University（文尼察国立技术大学）
我们已经证明，自回归（AR）矩阵算子的左侧零空间是点扩散函数（PSF）的字典表示的条件下，AR参数是共同的原始和模糊图像。提出了以正则化泛函为表面积函数的点扩展函数反演方法。逆PSF用于主图像估计。设计了两种基于最大熵的寻优图像和模糊图像条件概率密度泛化和正则化的原始图像估计优化方法。第一种方法利用卷积和反卷积变换的平衡变化来获得图像优化的迭代方案。根据迭代过程收敛的条件，通过动态正则化定义变量平衡。正则化具有动态特性，因为它依赖于当前和先前图像估计的变化。第二种方法是在曲面空间中实现反卷积优化的正则化，度量定义在图像估计曲面上。它是基于目标函数对最优幅值波动的不变性。与已知的迭代格式相比，所给出的迭代格式具有更快的收敛速度，因此可用于高分辨率图像序列的实时的重建。
2012-06-15 cs.CV
Modeling Realistic Degradations in Non-blind Deconvolution
CMLA；ENS Cachan（卡尚高等师范学校）；CNRS（法国国家科学研究中心）；IIE
大多数图像去模糊方法假设了过于简单的图像形成模型，因此对更真实的图像退化敏感。我们提出了一种新的变分框架，该框架显式地处理像素饱和度、噪声、量化以及由于例如，伽玛校正我们表明，准确地建模一个更现实的图像采集管道导致显着的改善，无论是在图像质量和PSNR。此外，我们表明，将非线性响应的数据和正则化项的建议的能量导致一个更详细的恢复比一个天真的反演的非线性曲线。建议的能量的最小化是使用随机优化。为了评估该方法，创建了由真实退化图像组成的数据集。
2018-06-04 cs.CV
Blind Deconvolution Microscopy Using Cycle Consistent CNN with Explicit PSF Layer
Seoul National University College of Medicine（首尔大学医学院）；KAIST（韩国科学技术院）
解卷积显微术已被广泛用于提高宽视场荧光显微术的分辨率。传统的方法，通常需要点扩展函数（PSF）测量或盲估计，然而，计算昂贵。最近，基于CNN的方法已被探索为快速且高性能的替代方案。在本文中，我们提出了一种新的无监督深度神经网络的盲反卷积的基础上，循环一致性和PSF建模层。与最近的CNN方法相比，显式PSF建模层提高了算法的鲁棒性。实验结果证实了该算法的有效性。
2019-04-05 cs.CV cs.LG stat.ML
Blind Deconvolution of PET Images using Anatomical Priors
Université catholique de Louvain（鲁汶天主教大学）
来自正电子发射断层扫描（PET）的图像提供关于人体的代谢信息。然而，他们提出了一个空间分辨率，这是有限的物理和仪器的因素，往往由一个模糊的功能。由于该函数通常是未知的，因此需要盲解卷积（BD）技术以产生有用的恢复的PET图像。在这项工作中，我们提出了一种通用的BD技术，该技术使用来自用高分辨率模态（例如，PET图像中具有均匀活性的区域的基于CT的描绘）。提出的BD方法是在合成和实际的phantomy验证。
2016-08-05 cs.CV math.OC
Sparse Blind Deconvolution for Distributed Radar Autofocus Imaging
Mitsubishi Electric Research Laboratories（三菱电机研究实验室）；Washington University in St. Louis（圣路易斯华盛顿大学）
在雷达成像系统中，特别是安装在移动平台上的雷达成像系统中出现的一个常见问题是天线位置模糊。解决这种模糊和校正位置误差的方法通常称为雷达自动聚焦。试图解决天线模糊的常用技术通常假设影响雷达测量的未知增益和相位误差。然而，确保未知误差的可识别性和可处理性对允许的天线扰动施加了严格的限制。此外，这些技术通常不适用于近场成像，其中将位置模糊度映射到相位误差会失败。在本文中，我们提出了一种替代配方，每个天线的位置误差映射到图像域中的空间移位算子。因此，雷达自聚焦问题变成多通道盲解卷积问题，其中雷达测量对应于与每个天线相关联的空间移位核卷积的静态雷达图像的观测。为了解决重新表述的问题，我们还开发了一个块坐标下降框架，该框架利用了雷达场景的稀疏性和分段平滑性，以及二维的移位核的一稀疏性。我们评估我们的方法使用模拟和实验雷达测量的性能，并证明其优越的性能相比，国家的最先进的方法。
2018-05-08 cs.CV
Blind Image Deconvolution by Generative-based Kernel Prior and Initializer via Latent Encoding
Xi’an Jiaotong University（西安交通大学）；Nanyang Technological University（南洋理工大学）；Pazhou Laboratory (Huangpu)（琶洲实验室（黄埔））
针对盲图像去卷积中基于深度图像先验的方法对初始化核敏感的问题，提出利用深度生成模型预训练核生成器与初始化器，通过潜在空间编码提供高质量初始化并在紧凑流形内优化，显著提升了性能。
2024-07-20 cs.CV
Robust Blind Deconvolution via Mirror Descent
本文研究盲去卷积的鲁棒性和收敛性，提出一种具有理论保证的算法，在实践中表现优异。
2018-03-21 cs.AI cs.CV cs.NA
Fast Diffusion EM: a diffusion model for blind inverse problems with application to deconvolution
GoPro；MAP5 CNRS（法国国家科学研究中心MAP5实验室）
本研究提出一种基于期望最大化（EM）和扩散模型的快速算法，联合估计恢复图像与未知退化参数，并引入新型模糊核正则化方法，在盲图像去模糊任务中表现优异。
2023-11-06 cs.CV
Joint Blind Deconvolution and Robust Principal Component Analysis for Blood Flow Estimation in Medical Ultrasound Imaging
Université de Tours, Inserm（图尔大学、法国国家健康与医学研究院）
本文讨论的问题，高分辨率多普勒血流估计超快序列的超声图像。将杂波和血液成分的分离公式化为逆问题已在文献中被证明是基于时空奇异值分解（SVD）的杂波滤波的一个很好的替代方案。特别地，最近已经在这样的问题中嵌入了去卷积步骤，以减轻成像系统的实验测量的点扩散函数（PSF）的影响。在这种情况下，反卷积被证明可以提高血流重建的准确性。然而，测量PSF需要非平凡的实验设置。为了克服这个限制，我们在这里提出了一个盲反卷积方法，能够估计血液成分和PSF从多普勒数据。模拟和体内数据进行的数值实验表明，定性和定量的所提出的方法相比，与以前的方法的基础上实验测量的PSF和其他两个国家的最先进的方法的有效性。
2020-07-10 cs.CV eess.IV
Deep-URL: A Model-Aware Approach To Blind Deconvolution Based On Deep Unfolded Richardson-Lucy Network
University of Illinois at Chicago（伊利诺伊大学芝加哥分校）
当前的深度学习模型缺乏可解释性，这引起了严重的担忧，因为它们被广泛用于各种生命关键型应用。因此，开发可解释的深度学习模型至关重要。在本文中，我们考虑了盲解卷积的问题，并提出了一种新的模型感知的深度架构，允许从模糊图像中恢复模糊核和清晰图像。特别是，我们提出了Deep Unfolded Richardson-Lucy（Deep-URL）框架-一种可解释的深度学习架构，可以被视为经典估计技术和深度神经网络的融合，从而提高了性能。我们的数值研究表明显着的改善相比，国家的最先进的算法。
2020-06-07 cs.CV cs.LG
On the Global Geometry of Sphere-Constrained Sparse Blind Deconvolution
Cornell University（康奈尔大学）；Columbia University（哥伦比亚大学）
盲去卷积是从卷积核$\boldsymbol a_0$和激活信号$\boldsymbol x_0$的卷积$\boldsymbol y = \boldsymbol a_0 \circledast \boldsymbol x_0$中恢复它们的问题。这个问题是不适定的，没有进一步的约束或先验。本文研究了激活信号中非零项稀疏随机分布的情形。我们规范化的卷积核有单位Frobenius范数和铸造稀疏盲反卷积问题作为一个非凸优化问题的领域。有了这个球面约束，在某些假设下，每个虚假的局部最小值都接近于地面真值的某个有符号移位截断。这种良性的属性激发了一个有效的两阶段算法，该算法从次优局部最小值提供的部分信息中恢复地面实况。这种几何启发的算法恢复地面真理某些显微镜的问题，也表现出良好的性能，在更具挑战性的图像去模糊问题。我们对全局几何和两阶段算法的见解扩展到卷积字典学习问题，其中观察到多个卷积信号的叠加。
2019-01-07 cs.CV cs.LG
Blind Deconvolution of Binary and Pattern Images with Pixel Intensity Constraints and Sparse Gradient Prior
Beijing Normal University（北京师范大学）；Anhui University（安徽大学）；University of Electronic Science and Technology of China（电子科技大学）；Northeast Normal University（东北师范大学）
本文针对条形码、文本等像素取值受限的图像，提出结合像素强度约束与梯度稀疏正则化的统一盲反卷积框架，实验证明其在视觉与定量指标上优于现有方法。
2026-09-22 cs.CV math.OC
Unrolled Variational Bayesian Algorithm for Image Blind Deconvolution
本文介绍了一种用于图像盲解卷积的变分贝叶斯算法。我们的通用框架结合了未知模糊/图像上的平滑先验和可能的仿射约束（例如，总和为1）。我们的主要贡献之一是集成的神经网络范式内的神经网络，下面展开的方法。所提出的架构以监督的方式进行训练，这使我们能够最佳地设置模型的两个关键超参数，并进一步提高视觉质量。进行了涉及灰度/彩色图像和不同内核形状的各种实验。数值示例说明了与基于优化、贝叶斯估计或深度学习的最新技术相比，我们的方法具有很高的性能。
2021-10-14 cs.AI cs.CV math.OC
The conjugated null space method of blind PSF estimation and deconvolution optimization
InnoVinn Inc.（InnoVinn公司）；Vinnitsa National Technical University（文尼察国立技术大学）
我们已经证明，点扩散函数（PSF）的字典表示的向量属于左侧共轭零空间（NS）的自回归（AR）矩阵算子的条件下，AR参数是共同的原始和模糊图像。给出了基于NS特征函数的点扩展函数和逆点扩展函数（IPSF）的计算方法。在NS谱域和图像空间域中考虑了以消除波动为目的的PSF和IPSF形状的优化。采用表面积函数作为正则化泛函。设计了两种基于最大熵的寻优图像和模糊图像条件概率密度泛化和正则化的原始图像估计优化方法。第一种方法利用与PSF和IPSF的卷积的平衡变化来获得图像优化的迭代模式。根据迭代过程收敛的条件，通过动态正则化提供变量平衡。正则化具有动态特性，因为它依赖于当前和先前图像估计的变化。第二种方法是在曲面空间中利用图像估计曲面上定义的度量实现反卷积优化的正则化。给出的迭代格式具有快速收敛性，因此可用于实时的重建高分辨率图像序列。NS可用于设计去噪双边线性滤波器，不引入图像平滑。
2015-02-26 cs.CV
Blind Deconvolution via Maximum Kurtosis Adaptive Filtering
The Jerusalem College of Engineering（耶路撒冷工程学院）
本文提出了一种基于非高斯测度的参数描述破坏性未知系统的辨识算法。众所周知，在一定条件下，线性系统的输出比输入更具高斯性。因此，搜索逆滤波器，使得其输出是最小高斯的。我们使用峰度作为信号的非高斯性的度量。搜索作为去卷积滤波器系数的函数的峰度的最大值。使用梯度上升算法迭代地进行搜索，并且最大点处的系数对应于逆滤波器系数。该滤波器可以应用于失真信号以获得原始的未失真信号。虽然以前也使用过类似的方法，但它总是针对特定类型的信号，通常具有脉冲特性。本文成功地将该算法应用于更广泛的信号处理，如处理失真的音频信号和破坏的图像。这种创新的实现需要揭示一种方法来预处理手头的失真信号。实验结果表明，在恢复音频信号和模糊图像方面，无论是FIR和IIR失真滤波器的非常好的性能。
2013-09-19 cs.CV
Impact of Automatic Image Classification and Blind Deconvolution in Improving Text Detection Performance of the CRAFT Algorithm
Don Mariano Marcos Memorial State University（唐马里亚诺马科斯纪念州立大学）；Ateneo de Manila University（马尼拉雅典耀大学）
自然场景中的文本检测因其广泛的应用而成为计算机视觉和文档分析领域的一个重要而活跃的研究课题，Robust Reading Competition的出现就是明证。在上述比赛中具有良好文本检测性能的算法之一是用于文本检测的字符区域感知（CRAFT）。本研究采用ICDAR2013数据集，研究自动图像分类和盲反卷积作为图像预处理步骤的影响，以进一步增强CRAFT的文本检测性能。该方法利用拉普拉斯算子，以100为阈值，自动将场景图像分为模糊和非模糊两类。在应用CRAFT算法之前，使用盲解卷积对被分类为模糊的图像进行进一步预处理以减少模糊。结果表明，所提出的方法显着提高了CRAFT的检测性能，如其IoU h均值为94.47%，而CRAFT的原始h均值为91.42%，这甚至超过了排名第一的SenseTime，其h均值为93.62%。
2022-11-29 cs.CV cs.LG
Learning to do multiframe wavefront sensing unsupervisedly: applications to blind deconvolution
Instituto de Astrofísica de Canarias（加那利群岛天体物理研究所）；Universidad de La Laguna（拉古纳大学）；Max Planck Institute for Solar System Research（马克斯·普朗克太阳系研究所）
地面望远镜的观测受到地球大气层的影响，这严重干扰了它们。自适应光学技术的使用使我们能够部分克服这一限制。然而，通常需要应用于短曝光图像的突发的图像选择或事后图像重建方法来达到衍射极限。深度学习最近被提出来作为加速这些图像重建的有效方法。目前，这些深度神经网络是在监督下训练的，因此需要先验地应用标准的反卷积算法，或者需要对太阳磁对流进行复杂的模拟来生成训练集。我们的目标是提出一种通用的无监督训练方案，允许多帧盲解卷积深度学习系统简单地通过观察进行训练。该方法可应用于点以及扩展对象的校正。利用线性图像形成理论和概率方法的盲反卷积问题产生的物理动机的损失函数。该损失函数的优化允许对由三个神经网络组成的机器学习模型进行端到端训练。作为例子，我们应用这个程序的恒星数据的去卷积的FastCam仪器和太阳扩展的数据从瑞典太阳望远镜。分析表明，所提出的神经模型可以成功地训练，而无需监督，只使用观察。它提供了瞬时波前的估计，使用标准的反卷积技术可以从中找到校正图像。该网络模型比应用基于优化的标准反卷积大约快三个数量级，并显示出在望远镜上实时使用的潜力。
2020-12-20 astro-ph.IM cs.CV
A Neural Approach to Blind Motion Deblurring
Toyota Technological Institute at Chicago（芝加哥丰田技术研究所）
我们提出了一种新的盲运动去模糊的方法，使用一个神经网络训练计算估计的清晰图像补丁从观察模糊的未知运动内核。该网络不是直接回归到斑块强度，而是学习预测要应用于输入斑块以进行恢复的去卷积滤波器的复傅立叶系数。对于推理，我们将网络独立地应用于观察图像中的所有重叠补丁，并对其输出进行平均，以形成清晰图像的初始估计。然后，我们明确地估计一个单一的全球模糊内核相关的估计所观察到的图像，并最终执行非盲反卷积与此内核。我们的方法具有接近最先进的迭代法的准确性和鲁棒性，同时在GPU硬件上并行化时要快得多。
2016-08-01 cs.CV
Edge-Based Blur Kernel Estimation Using Sparse Representation and Self-Similarity
Beijing University of Technology（北京工业大学）；Tsinghua University（清华大学）
盲图像反卷积是指在模糊核未知的情况下，从观测到的模糊图像中恢复出潜像的问题。本文提出了一种基于边缘的模糊核估计方法用于盲运动反卷积。在我们以前的工作中，我们将稀疏表示和自相似性的图像补丁作为先验知识到我们的盲反卷积模型，以正则化恢复的潜像。由于几乎任何自然图像都具有稀疏性和多尺度自相似性，我们构造了一个稀疏正则化和跨尺度非局部正则化基于我们的补丁先验。已经观察到，我们的正则化器通常只对突出边缘的图像块偏爱清晰图像而不是模糊图像，因此我们定义了一个边缘掩码来定位我们想要应用正则化器的突出边缘。模拟和真实模糊图像的实验结果表明，我们的方法优于现有的国家的最先进的盲去模糊方法，即使处理非常大的模糊，由于使用的边缘掩模。
2018-11-17 cs.CV
Multi-Frame Blind Manifold Deconvolution for Rotating Synthetic Aperture Imaging
School of Mathematics, Statistics and Actuarial Science, University of Kent（肯特大学数学、统计与精算科学学院）；Department of Computer Science, University College London（伦敦大学学院计算机科学系）
针对旋转合成孔径图像去模糊问题，提出一种基于流形拟合与惩罚的多帧盲反卷积新方法，并开发了快速算法，仿真表明其能更精确估计像素强度并保留结构细节，优于传统方法。
2025-01-31 cs.CV eess.SP stat.ME
Non-parametric PSF estimation from celestial transit solar images using blind deconvolution
Institute of Information and Communication Technologies, Electronics and Applied Mathematics (ICTEAM), Université catholique de Louvain (UCL)（鲁汶天主教大学信息与通信技术、电子与应用数学研究所（ICTEAM））；Royal Observatory of Belgium（比利时皇家天文台）
内容：为了从观测数据中提取准确的物理信息，对天文成像中的仪器效应进行表征十分重要。实际光学仪器中的被测图像通常由理想图像与点扩散函数（PSF）的卷积表示。此外，图像采集过程还受到其他噪声源（读出、光子计数）的污染。估计PSF和去噪图像的问题称为盲反卷积，并且是不适定的。目的：我们提出了一个盲反卷积方案，依赖于图像正则化。与文献中提出的大多数方法不同，我们的方法不假设PSF的参数模型，因此可以应用于任何望远镜。方法：我们的方案使用图像的小波分析先验模型和PSF的弱假设。我们使用的观测从一个天体凌日，其中掩星机构可以被假定为一个黑色的磁盘。这些约束使我们能够保留过滤器和图像的有意义的解决方案，消除琐碎的，翻译和互换的解决方案。在加性高斯噪声假设下，它们还通过提高模糊观测和清洁数据之间的残差的白度来执行噪声消除并避免重建伪影。结果：我们的方法适用于合成和实验数据。使用2007年的月球凌日估计了SECCHI/EUVI仪器的PSF，使用2012年的金星凌日估计了SDO/AIA仪器的PSF。结果表明，所提出的非参数盲反卷积方法是能够估计的PSF的核心与文献中提出的参数方法类似的质量。我们还表明，如果这些参数估计被纳入收购模型，所得到的PSF优于参数和非参数的方法。
2015-09-29 astro-ph.SR cs.CV
DeepRLS: A Recurrent Network Architecture with Least Squares Implicit Layers for Non-blind Image Deconvolution
Skoltech（斯科尔科沃科技学院）
在这项工作中，我们研究了非盲图像反卷积的问题，并提出了一种新的经常性的网络架构，导致非常有竞争力的恢复结果的高图像质量。出于现有的大规模线性求解器的计算效率和鲁棒性，我们设法表达这个问题的解决方案作为一系列的自适应非负最小二乘问题的解决方案。这就产生了我们提出的递归最小二乘反卷积网络（RLSDN）架构，该架构由一个隐式层组成，该隐式层在其输入和输出之间施加线性约束。通过设计，我们的网络管理同时服务于两个重要目的。第一个是，它隐式地建模一个有效的图像之前，可以充分表征的一组自然图像，而第二个是，它恢复相应的最大后验概率（MAP）估计。公开可用的数据集上的实验，比较最近的国家的最先进的方法，表明我们提出的RLSDN方法实现了最好的性能报告的灰度和彩色图像的所有测试方案。此外，我们介绍了一种新的训练策略，可以通过任何网络架构，涉及解决方案的线性系统作为其管道的一部分。我们的策略完全消除了展开线性求解器所需的迭代的需要，因此，它显着减少了训练过程中的内存占用。因此，这使得能够训练更深的网络架构，这可以进一步改善重建结果。
2021-12-10 cs.CV eess.IV
Solar multi-object multi-frame blind deconvolution with a spatially variant convolution neural emulator
Instituto de Astrofísica de Canarias (IAC)（加那利群岛天体物理研究所）；Universidad de La Laguna（拉古纳大学）
针对地基太阳观测受大气湍流畸变影响、传统反卷积方法效率低易生伪影的问题，提出基于深度神经网络的空间变卷积仿真器框架，用作多目标多帧盲反卷积前向模型，无需斑块拼接，大幅提升反卷积效率与准确性。
2024-05-16 astro-ph.IM cs.CV
Blind Image Deconvolution Using Variational Deep Image Prior
University of Alberta（阿尔伯塔大学）
针对盲图像反卷积中DIP网络架构约束不足的问题，本文提出VDIP，结合手工图像先验与逐像素分布建模以避免次优解，并在基准数据集上取得优于原始DIP的图像质量。
2023-06-06 cs.CV eess.IV
Rethinking Atmospheric Turbulence Mitigation
Purdue University（普渡大学）
现有的大气湍流图像复原方法利用光流法、幸运区域法和盲反卷积等标准图像处理工具进行图像复原。虽然在过去的十年中已经报道了有希望的结果，但许多方法对产生失真的物理模型是不可知的。在本文中，我们重新讨论了湍流恢复问题，通过分析参考帧的产生和盲反卷积的步骤，在一个典型的恢复流水线。通过利用大偏差理论中的工具，我们严格证明了为静态和动态场景生成可靠参考所需的最小帧数。我们讨论了湍流不可知模型如何导致潜在的缺陷，以及如何配置一个简单的时空非局部加权平均方法来生成参考。对于盲反卷积，通过分析点扩散函数的分布，提出了一种新的数据驱动先验。我们演示了如何一个简单的先验可以优于国家的最先进的盲反卷积方法。
2019-05-17 cs.CV eess.IV
Leveraging Classic Deconvolution and Feature Extraction in Zero-Shot Image Restoration
Technical University of Munich（慕尼黑工业大学）；Helmholtz AI, Helmholtz Munich - German Research Center for Environmental Health（亥姆霍兹人工智能平台，亥姆霍兹慕尼黑中心——德国环境健康研究中心）；Georg-August-University Göttingen（哥廷根乔治-奥古斯特大学）；GEOMAR Helmholtz Centre for Ocean Research Kiel（基尔亥姆霍兹海洋研究中心）
针对清晰真实图像难以获取导致现有深度非盲反卷积方法应用受限的问题，提出结合预训练深度特征提取网络与Richardson-Lucy迭代反卷积的零样本方法，可使用更小网络实现高质量图像重建，降低计算需求并提升多场景任务性能。
2023-10-03 cs.CV eess.IV
End-to-End Learning for Image Burst Deblurring
Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）；University of Tübingen（图宾根大学）
提出了一种多帧盲反卷积的神经网络模型方法。判别方法采用并结合了两个最近的技术，图像去模糊到一个单一的神经网络架构。我们提出的混合架构结合了显式预测的反卷积滤波器和非平凡的平均傅立叶系数在频域中。为了充分利用一个突发中所有图像中包含的信息，所提出的网络嵌入了较小的网络，这明确允许模型在早期层的图像之间传输信息。我们的系统使用标准反向传播在一组人工生成的训练样本上进行端到端训练，从而在多帧盲反卷积中实现具有竞争力的性能，无论是在质量还是运行时间方面。
2016-09-06 cs.CV
Learning to Deblur
Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）
我们描述了一种基于学习的方法来盲图像反卷积。它使用了一个深层的架构，其中一部分是从最近的神经网络学习工作中借来的，其中一部分包含了特定于图像去卷积的计算。该系统在一组人工生成的训练样本上进行端到端的训练，从而在盲解卷积中实现在质量和运行时间方面的竞争性能。
2014-06-28 cs.CV cs.LG
Blind Deconvolution in Astronomy: How Does a Standalone U-Net Perform?
Université Paris-Saclay, CNRS/IN2P3, IJCLab（巴黎萨克雷大学，法国国家科学研究中心/法国国家粒子物理研究中心，IJCLab）
本研究评估了U-Net在天文图像盲去卷积中的性能，发现其在不同观测和噪声条件下表现优异，优于传统方法。
2026-01-13 astro-ph.IM cs.CV
Learning Discriminative Shrinkage Deep Networks for Image Deconvolution
National Taiwan University（台湾大学）；Nanjing University of Science and Technology（南京理工大学）；Google Research（谷歌研究院）；University of California, Merced（加州大学默塞德分校）；Yonsei University（延世大学）
现有的非盲解卷积方法通常将非盲解卷积问题转化为最大后验框架，通过人工设计清晰潜像的各种正则化项和数据项来解决。然而，显式地设计这两项是相当具有挑战性的，通常会导致复杂的优化问题，难以解决。在本文中，我们提出了一种有效的非盲反卷积方法，通过学习判别收缩函数隐式地模拟这些条款。与大多数使用深度卷积神经网络（CNN）或径向基函数来简单学习正则化项的现有方法相比，我们将数据项和正则化项都公式化，并根据乘子的交替方向方法将反卷积模型拆分为数据相关和正则化相关的子问题。我们探索了Maxout函数的属性，并开发了一个带有Maxout层的深度CNN模型来学习判别收缩函数，以直接近似这两个子问题的解决方案。此外，针对基于快速傅立叶变换的图像复原容易产生振铃效应，而基于共轭梯度的复原方法耗时较长的问题，本文提出了一种共轭梯度网络来有效地复原潜在的清晰图像。实验结果表明，该方法在效率和准确性方面优于现有方法。
2022-07-20 cs.CV
Spatially-Variant CNN-based Point Spread Function Estimation for Blind Deconvolution and Depth Estimation in Optical Microscopy
Idiap Research Institute（IDIAP研究所）；École Polytechnique Fédérale de Lausanne（洛桑联邦理工学院）；University of California, Santa Barbara（加州大学圣巴巴拉分校）
光学显微镜是生物学和医学中必不可少的工具。在Single Shot中对薄而非平面的物体进行成像（不依赖于更复杂的切片设置）仍然具有挑战性，因为高分辨率显微镜附带的浅景深会导致图像区域不清晰，并使深度定位和定量图像解释变得困难。在这里，我们提出了一种方法，通过局部估计图像失真，同时联合估计物体的焦平面的距离，提高了光学显微镜图像的分辨率。具体来说，我们估计的空间变化点扩散函数（PSF）模型的参数使用卷积神经网络（CNN），这不需要仪器或对象特定的校准。我们的方法从图像本身恢复PSF参数，在理想条件下，Pearson相关系数的平方为0.99，同时对物体旋转，照明变化或光子噪声保持鲁棒性。当恢复的PSF与空间变化和正则化Richardson-Lucy反卷积算法一起使用时，我们观察到与其他盲反卷积技术相比高达2.1 dB的更好的信噪比。显微镜特定的校准后，我们进一步证明，恢复的PSF模型参数允许估计表面深度的精度为2微米，并在一个扩展的范围内使用工程PSF。我们的方法为增强非平面物体的图像提供了多种可能性，而对光学设置的先验知识的需求最小。
2020-10-13 cs.CV 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
Convergence Analysis of MAP based Blur Kernel Estimation
DGIST（大邱庆北科学技术院）；POSTECH（浦项工科大学）
盲解卷积的一种流行方法是用潜像梯度上的稀疏先验来公式化最大后验概率（MAP）问题，然后交替地估计模糊核和潜像。虽然已经提出了几种成功的基于MAP的方法，但关于它们的收敛性存在很多争议和混乱，因为稀疏先验已被证明更喜欢模糊图像而不是清晰的自然图像。在本文中，我们重新审视这个问题，并提供了一个分析的MAP为基础的方法的收敛性。首先，我们介绍了一个传统的联合能量函数的盲反卷积略有修改。重新表述的能量函数产生相同的交替估计过程，但更清楚地揭示了盲反卷积是如何工作的。然后，我们表明，在某些条件下，能量函数实际上可以支持正确的解决方案，而不是无模糊的解决方案，这解释了以前的MAP为基础的方法的成功。重新制定的能量函数和我们的收敛条件也提供了一种方法来比较不同的模糊内核的质量，我们证明了其适用于自动模糊内核大小选择，模糊内核估计使用光条纹，和散焦估计。
2017-08-28 cs.CV
Motion Deblurring for Plenoptic Images
University of Bern（伯尔尼大学）
我们首次解决了全光相机捕获的光场图像中的运动模糊问题。我们提出了一种解决方案，在给定模糊光场图像的情况下，当运动模糊点扩散函数未知时，即，所谓的盲解卷积问题。在全光相机中，每个视图中的空间采样不仅被抽取而且被散焦。因此，目前用于传统相机的盲解卷积方法是不适用的。由于成像模型的复杂性，我们首先研究朗伯对象的均匀（平移不变）模糊的情况，即，当物体离照相机足够远以致于对深度变化近似不变并且它们的反射率不随观察方向变化时。我们介绍了一个高度并行化的光场运动模糊模型，是计算和内存效率。然后，我们采用正则化盲反卷积方法来适应我们的模型，并在合成和真实光场数据上展示其性能。我们的方法处理的实际问题，在真正的相机，如径向失真校正和能量最小化框架内的对齐。
2016-02-12 cs.CV
TurbuGAN: An Adversarial Learning Approach to Spatially-Varying Multiframe Blind Deconvolution with Applications to Imaging Through Turbulence
University of Maryland（马里兰大学）
我们提出了一种自监督和自校准的多镜头方法，通过大气湍流成像，称为TurbuGAN。我们的方法不需要配对的训练数据，使自己适应湍流的分布，利用特定领域的数据先验，并可以概括从数十到数千的测量。我们通过改编自CryoGAN的对抗传感框架实现了这种功能，CryoGAN使用一个可扩展网络来匹配捕获和模拟测量的分布。我们的框架建立在CryoGAN的基础上，通过（1）推广前向测量模型，将物理上准确和计算效率高的光传播模型纳入通过各向异性湍流，（2）能够适应轻微错误指定的前向模型，以及（3）使用预训练的生成网络利用特定领域的先验知识，当可用时。我们验证TurbuGAN的计算模拟和实验捕获的图像失真与非等晕湍流。
2023-01-02 cs.CV cs.LG eess.IV
Multichannel Sparse Blind Deconvolution on the Sphere
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Coordinated Science Laboratory（协同科学实验室）；Department of Electrical and Computer Engineering（电气与计算机工程系）
多通道盲解卷积是从未知信号$f$和多个未知通道$x_i$的循环卷积$y_i=x_i \circledast f$（$i=1,2,\dots,N$）中恢复它们的问题。我们考虑的情况是，$x_i$是稀疏的，并且与$f$的卷积是可逆的。我们的非凸优化公式解决了单位球上的过滤器$h$，产生稀疏输出$y_i\circledast h$。在一些技术假设下，我们证明了目标函数的所有局部极小值对应于$f$的逆滤波器，直到一个固有的符号和移位模糊度，并且所有鞍点具有严格的负曲率。这种几何结构允许使用简单的流形梯度下降（MGD）算法成功地恢复$f$和$x_i$。我们的理论研究结果的补充数值实验，这表明所提出的方法优于以前的方法的性能。
2019-03-16 cs.CV cs.IT cs.LG
Simultaneous Fidelity and Regularization Learning for Image Restoration
Tianjin University（天津大学）；Hong Kong Polytechnic University（香港理工大学）；Harbin Institute of Technology（哈尔滨工业大学）；Chinese University of Hong Kong (Shenzhen)（香港中文大学（深圳））；University of California, Merced（加州大学默塞德分校）
大多数现有的非盲恢复方法都是基于精确退化模型已知的假设。由于退化过程只能部分已知或不准确建模，图像可能无法很好地恢复。雨条纹去除和图像去卷积与不准确的模糊内核是这样的任务的两个代表性的例子。对于雨条纹去除，虽然输入图像可以分解为场景层和雨条纹层，但没有明确的公式来建模雨条纹以及与场景层的组合。对于盲解卷积，由于模糊核的估计误差通常被引入，后续的非盲解卷积过程不能很好地恢复潜像。在本文中，我们提出了一个原则性的算法内的最大后验框架，以解决图像复原与部分已知或不准确的退化模型。具体地说，部分已知或不准确的退化模型所引起的残差是空间依赖的和复杂分布的。使用退化和地面实况图像对的训练集，我们以任务驱动的方式参数化并学习退化模型的保真度项。此外，正则化项也可以与保真度项一起学习，从而形成同时保真度和正则化学习模型。大量的实验结果表明，所提出的模型的有效性与不准确的模糊内核的图像反卷积，反卷积与多重退化和雨条纹去除。
2019-07-10 cs.CV
Revisiting Bayesian Blind Deconvolution
Microsoft Research（微软研究院）；Northwestern Polytechnical University（西北工业大学）
盲解卷积涉及仅给出模糊观察的清晰信号或图像的估计。因为这个问题从根本上是不适定的，所以需要清晰图像和模糊核的强先验来正则化解空间。虽然这自然导致标准MAP估计框架，但性能受到未知的折衷参数设置、优化算法以及源于非凸性和/或不良先验选择的收敛问题的损害。为了减轻这些问题中的一些，一些作者最近提出了替代变分贝叶斯（VB）策略，该策略在高维图像空间上边缘化，从而更好地估计模糊核。然而，底层的成本函数现在涉及没有封闭形式解的积分和复杂的函数值参数，从而失去了MAP的透明度。因此，除了标准的贝叶斯启发的直觉之外，还不清楚这些方法究竟是通过什么机制来运作的，这使得理解、改进和扩展更加困难。为了阐明这些问题，我们证明了VB方法可以被改写为一个非常规的MAP问题，具有非常特殊的惩罚/先验，以原则性的方式耦合图像，模糊内核和噪声水平。这种独特的惩罚有许多有用的特性，涉及相对的不变性，局部最小值的避免，和规模不变性，使我们能够严格解释VB的成功，包括其现有的实现算法和近似。它还提供了选择最佳图像的严格标准，可能与直觉相反，不需要反映自然场景的统计数据。在这样做的时候，我们挑战了为什么VB是成功的盲反卷积，同时提供了一个透明的平台，引入增强的流行观念。
2013-05-10 cs.CV cs.LG stat.ML
Class-Specific Blind Deconvolutional Phase Retrieval Under a Generative Prior
Information Technology University（信息技术大学）
在本文中，我们考虑的高度不适定的问题，联合恢复两个实值信号的无相位测量的循环卷积。这个问题出现在各种成像模式中，例如傅立叶重叠关联成像、X射线晶体学和可见光通信。我们建议在两个预训练的深度生成网络作为先验下使用交替梯度下降算法来解决这个逆问题;一个是在清晰图像上训练的，另一个是在模糊内核上训练的。所提出的恢复算法力求在\textit{best}解释前向测量模型的相应前生成器的范围内找到清晰图像和模糊核。这样，我们就能够重建高质量的图像估计。此外，数值计算表明，该方法在反映物理可实现成像系统的具有挑战性的测量模型上表现良好，并且对噪声也具有鲁棒性
2020-02-28 cs.CV cs.LG eess.IV
Comparative Analysis of Non-Blind Deblurring Methods for Noisy Blurred Images
Nirma Institute of Technology（尼尔玛理工学院）
图像模糊是指图像的退化，其中图像的整体清晰度降低。图像模糊是由几个因素引起的。此外，在图像采集过程中，噪声可能会被添加到图像中。这样的噪声和模糊图像可以表示为由原始图像与相关联的点扩散函数以及加性噪声的卷积产生的图像。然而，模糊图像通常包含不足以唯一地确定似然原始图像的信息。根据模糊信息的可获得性，图像去模糊方法可以分为盲方法和非盲方法。在非盲图像去模糊中，一些关于对应点扩散函数和附加噪声的先验信息是已知的。本研究的目的是确定非盲图像去模糊方法的有效性方面的识别和消除噪声中存在的模糊图像。针对椒盐噪声图像，比较分析了Wiener反卷积、Lucy-Richardson反卷积和正则化反卷积三种非盲图像去模糊方法。模拟了两种类型的模糊效果，即运动模糊和高斯模糊。上述三种非盲去模糊方法分别应用于两种场景：直接对含噪模糊图像进行去模糊处理和应用自适应中值滤波器对去噪后的图像进行去模糊处理。然后对每种情况下获得的结果进行比较，以确定去模糊有噪图像的最佳方法。
2022-05-06 cs.CV eess.IV
Accelerating Multiframe Blind Deconvolution via Deep Learning
Instituto de Astrofisica de Canarias（加那利群岛天体物理研究所）；Universidad de La Laguna（拉古纳大学）；Max-Planck-Institut fur Sonnensystemforschung（马克斯·普朗克太阳系研究所）
本文提出基于算法展开和神经网络修正的深度学习方法来加速多帧盲反卷积，显著减少太阳图像恢复时间，并支持无监督训练及跨数据集泛化。
2023-06-21 astro-ph.IM cs.CV
DELAD: Deep Landweber-guided deconvolution with Hessian and sparse prior
Technical University of Munich（慕尼黑工业大学）；Helmholtz AI（亥姆霍兹人工智能中心）；GEOMAR Helmholtz Centre for Ocean Research Kiel（基尔亥姆霍兹海洋研究中心（GEOMAR））
我们提出了一个非盲图像去卷积模型，将经典的迭代方法融入深度学习应用程序中。我们没有使用大型过参数化生成网络来创建清晰的图像表示，而是基于迭代Landweber反卷积算法构建网络，该算法与可训练卷积层集成，以增强恢复的图像结构和细节。除了数据保真度项之外，我们还添加了Hessian和稀疏约束作为正则化项，以提高图像重建质量。我们提出的模型是\textit{self-supervised}和收敛到一个解决方案的基础上，纯粹的输入模糊图像和各自的模糊内核，而不需要任何预训练。我们使用标准的计算机视觉基准数据集以及通过我们的增强景深（EDOF）水下显微镜获得的真实显微镜图像来评估我们的技术，展示了我们的模型在现实世界应用中的能力。定量结果表明，我们的方法与最先进的非盲图像去模糊方法相比具有竞争力，尽管只有一小部分参数并且没有经过预训练，这证明了在深度网络中嵌入经典反卷积方法的效率和功效。
2022-09-30 cs.CV eess.IV
