王志盛

摘要：针对多尺度CNN网络编码过程中存在获取特征信息不足，导致重建的去运动模糊图像质量不佳。该研究提出了一种将明暗通道先验嵌入多尺度网络，并在网络中引入双重注意力机制的解决方法，该方法增强了网络对先验信息的获取能力，加强重点信息获取的同时提高动态去模糊效果。该方法与同类方法相比峰值信噪比（PSNR）和结构相似度（SSIM）均获得了提升。

关键词：多尺度;明、暗通道;注意力机制;运动模糊;卷积神经网络

Abstract： The insufficient feature information obtained in the multi-scale CNN network coding process， which leads to the quality of the reconstructed motion deblur image is poor. A solution is proposed that embeds a priori of light and dark channels in a multi-scale network and introduces a dual attention mechanism into the network. The method enhances the network's ability to acquire prior information， enhances the acquisition of key information， and improves dynamic deblurring effects. Compared with similar methods， this method has improved the peak signal-to-noise ratio （PSNR） and structural similarity （SSIM）.

Key words：multi-scale;light、dark channel;attention mechanism;motion blur;convolutional neural network （ CNN）

近年來，动态场景中运动模糊图像复原已成为越来越多研究者关注的领域。运动模糊是图像拍摄中常见问题之一。拍摄设备在成像时受到抖动或者被拍摄物体运动速度过快，散焦等因素影响时，会产生低质量并且模糊的图像。图像去运动模糊技术在交通、军事、医学、工业界具有很高的应用价值。因此，运动模糊图像的复原问题具有重要的现实研究意义。

去运动模糊是从模糊图像中重建出清晰图像。运动模糊的恢复按照是否需要PSF（Point Spread Function）可分为盲去运动模糊和非盲去运动模糊。非盲去运动模糊是在PSF已知的情况下去模糊。然而，真实场景中PSF往往未知，因此，盲去运动模糊成为真实场景中恢复清晰图像的重要方式。图像模糊的数学模型可以看成清晰图像与模糊核的卷积过程，其公式为：

公式中，B为模糊噪声图像;I为原始清晰图像;K和N分别为模糊核和噪声;[?]是卷积运算。因为B为已知的，I与K未知，需要同时恢复I与K，这是严重的病态逆问题。……