陈书贞 曹世鹏 崔美玥 练秋生

(燕山大学信息科学与工程学院 秦皇岛 066004)

(河北省信息传输与信号处理重点实验室 秦皇岛 066004)

1 引言

拍摄图像时，相机与物体的相对运动往往会造成图像模糊，严重影响图像在实际生活中的应用效果。图像去模糊作为一种改善图像质量的方式，广泛应用于医学图像、交通监控等领域。图像去模糊是图像处理中典型的病态反问题，旨在从模糊图像中恢复出相应的清晰图像。近年来，这项技术受到广泛的关注和研究，但由于现实场景中模糊核的复杂多变性，从真实模糊图像中恢复清晰图像仍具有挑战性。

图像去模糊过程可看作从解空间中寻找最优解的过程，传统方法利用不同的自然图像先验(如L0-范数梯度先验[1])约束解空间，通过最大后验估计模型的迭代寻找最优解。然而传统方法中采用的迭代优化方式计算繁琐，实时性差；且过于简单的模糊模型假设会导致模糊核的不准确估计，降低算法性能。近年来，随着深度学习的发展，卷积神经网络(Convolutional Neural Networks, CNN)广泛地应用于图像去模糊领域。根据图像块信息，Sun等人[2]利用CNN预测图像的局部模糊核，通过非盲解卷积去除非均匀运动模糊。Gong等人[3]利用全卷积网络估计模糊图像的运动场，从估计的运动场中恢复清晰图像。Nah等人[4]提出一种端到端(无核估计)的图像处理方法，该方法遵循由粗到精的思想，逐步恢复清晰图像。Kupyn等人[5]采用带有梯度惩罚和感知损失的Wasserstein GAN(Wasserstein Generative Adversarial Networks)去除运动模糊，恢复更多的纹理信息。……