张晓凯，杨鸿波，杨明浩，张 洋

(1.北京信息科技大学 自动化学院，北京 100192；2.中国科学院 自动化研究所，北京 100190)

0 引言

运动模糊是拍照时最常见的伪像类型之一，相机抖动和目标物体快速运动都会引起图像运动模糊，消除模糊成为研究热点。在深度学习之前，传统的去模糊方法主要采用各种约束或正则化来逼近运动模糊核，这会涉及复杂的非线性优化[1]，而且从模糊图像复原清晰图像是个病态的过程，往往要引入先验知识[2]来进行约束。此外，模糊核估计过程对噪声和饱和度异常敏感导致对模糊核的假设过于严格，这也让图像去模糊变得复杂与困难。Pan等[3]提出基于正则化先验图像去模糊算法，通过寻找模糊图像的显著边缘达到去除图像伪影的方式恢复图像的质量。Yan等[4]在此基础上提出预测反卷积傅里叶系数来估计全局模糊核的方法，使得图像复原过程有更强的鲁棒性。

无论是基于先验知识约束还是正则化的图像去模糊方法，都需要大量参数调整和迭代优化计算，如果去模糊建模假设过于简单会影响图像复原质量，而过于复杂又会使适应性变差。

近年来，基于深度卷积神经网络(convolutional neural network，CNN)[5]的方法在去模糊领域取得了巨大的成功。Sun等[6]提出基于卷积神经网络来估计模糊核的方法，实现运动图像去模糊。Nah等[7]采用端到端的方式提出多尺度CNN去模糊模型，模仿传统的从粗到精的优化方法，极大地增加收敛性，在动态场景图像去模糊中取得了显著的成果。……