TCSVT 2025 | 非盲去模糊領(lǐng)域新突破！DSDNet 融合 ADMM 與深度學(xué)習(xí)，真實模糊數(shù)據(jù)集 PAN 評分最優(yōu)

文章來源：計算機書童。

你是否遇到過這樣的尷尬：拍了一張超美的風(fēng)景照，卻因為手一抖變成了模糊的“抽象畫”？或者珍藏的老照片因為年代久遠(yuǎn)，細(xì)節(jié)早已模糊不清？圖像去模糊技術(shù)就是為解決這些問題而生的，但傳統(tǒng)方法要么恢復(fù)效果差，要么處理速度慢。

今天要給大家介紹一篇TCSVT 2025的最新研究——《Efficient Non-Blind Image Deblurring With Discriminative Shrinkage Deep Networks》，研究者們提出了一種叫DSDNet的新模型，把非盲圖像去模糊的效果和效率都提升到了新高度！

論文信息 題目：Efficient Non-Blind Image Deblurring With Discriminative Shrinkage Deep Networks 高效的基于判別收縮深度網(wǎng)絡(luò)的非盲圖像去模糊 作者：Pin-Hung Kuo、Jinshan Pan、Shao-Yi Chien、Ming-Hsuan Yang 為什么圖像去模糊這么難？

在聊新方法之前，先說說非盲去模糊的“痛點”。非盲去模糊是指已知模糊核（可以理解為“模糊的原因”）的情況下，從模糊圖像恢復(fù)清晰圖像。這個過程就像解一道復(fù)雜的數(shù)學(xué)題，需要平衡兩個關(guān)鍵部分：

• 數(shù)據(jù)項 ：保證恢復(fù)的圖像和原始模糊圖像“對得上”

• 正則化項 ：讓恢復(fù)的圖像符合自然圖像的規(guī)律（比如不能太離譜）

傳統(tǒng)方法要么靠人工設(shè)計這兩個部分的規(guī)則，效果有限；要么用深度學(xué)習(xí)但忽略了反卷積子問題，導(dǎo)致恢復(fù)不徹底。更麻煩的是，常用的FFT方法會產(chǎn)生“振鈴偽影”（就像圖像周圍有波紋），而共軛梯度法（CG）又特別慢，訓(xùn)練模型時能急死人！

DSDNet：把復(fù)雜問題“打包”解決

研究者們提出的判別收縮深度網(wǎng)絡(luò)（DSDNet），最大的亮點就是把所有難題整合到一個端到端的網(wǎng)絡(luò)里，讓機器自己學(xué)怎么去模糊。先來看一張總體結(jié)構(gòu)圖，一目了然：

核心創(chuàng)新點一：讓網(wǎng)絡(luò)自己學(xué)“收縮”

DSDNet用了一種叫Maxout層的結(jié)構(gòu)，專門學(xué)“收縮函數(shù)”。簡單說，這個函數(shù)能像“智能橡皮擦”一樣，自動去掉圖像里的模糊成分——小的噪聲信號直接抹掉，重要的細(xì)節(jié)保留并增強。

和傳統(tǒng)的手工設(shè)計函數(shù)相比，Maxout層就像給網(wǎng)絡(luò)裝了個“萬能工具包”，能適應(yīng)各種不同的模糊情況。實驗顯示，這個設(shè)計讓PSNR（衡量圖像質(zhì)量的指標(biāo)）直接提升了0.4dB，效果立竿見影！

核心創(chuàng)新點二：KryNet反卷積網(wǎng)絡(luò)，又快又好

解決反卷積子問題時，研究者們祭出了大招——KryNet。這個子網(wǎng)絡(luò)基于Krylov子空間方法設(shè)計，理論基礎(chǔ)扎實，完美避開了FFT和CG的坑：

• 沒有FFT那種討厭的振鈴偽影

• 比CG快得多，訓(xùn)練時更穩(wěn)定

• 全卷積設(shè)計，能端到端訓(xùn)練

看看下面的對比圖，KryNet在恢復(fù)細(xì)節(jié)時簡直是“火眼金睛”：

（BSD100數(shù)據(jù)集上的效果：上兩行3%噪聲，下兩行5%噪聲，紅框處DSDNet完美恢復(fù)了輻條細(xì)節(jié)）

核心創(chuàng)新點三：細(xì)節(jié)優(yōu)化，效率拉滿

除了大框架，研究者們還做了不少“小改進(jìn)”，讓模型又輕又快：

• 權(quán)重共享 ：不同階段共享參數(shù)，參數(shù)減少58%，計算量降33%，但性能幾乎沒損失

• 門控架構(gòu) ：用更智能的門控前饋網(wǎng)絡(luò)替代傳統(tǒng)ReLU，特征提取能力更強

• 失真損失函數(shù) ：不僅讓恢復(fù)的圖像像“標(biāo)準(zhǔn)答案”，還讓它經(jīng)過模糊后能還原成輸入，相當(dāng)于給模型加了“雙保險”

說了這么多，效果到底怎么樣？看數(shù)據(jù)說話：

定量指標(biāo)全面領(lǐng)先

在LEVIN、BSD100等多個權(quán)威數(shù)據(jù)集上，DSDNet的PSNR、SSIM等指標(biāo)都是第一名。特別是在噪聲較多的情況下（比如5%噪聲），優(yōu)勢更明顯。

（LAI數(shù)據(jù)集上的表現(xiàn)，DSDNet在多類圖像中都是最優(yōu)）

視覺效果驚艷

光看數(shù)字不夠，直接看圖：

在LAI數(shù)據(jù)集的測試中，其他方法都沒能恢復(fù)綠色框里的紋理，只有DSDNet做到了：

真實模糊圖像（PAN數(shù)據(jù)集）上，DSDNet恢復(fù)的字母邊緣更清晰：

又快又輕量

模型效率同樣出色：

• DSDNet+E（高效版）是所有方法中速度最快的

• DSDNet+P（性能版）效果比SVMAP好，速度卻快一倍多

• 參數(shù)量和計算量遠(yuǎn)低于同類方法

（左圖：相同計算量下PSNR最高；右圖：相同效果下速度最快）

一點小遺憾

當(dāng)然，DSDNet也不是萬能的。面對嚴(yán)重過曝或欠曝的圖像（比如強光下的照片），恢復(fù)效果會打折扣，容易產(chǎn)生偽影。不過研究者們表示，這也是未來改進(jìn)的方向。

總結(jié)

這篇論文提出的DSDNet，通過整合判別收縮函數(shù)、KryNet反卷積網(wǎng)絡(luò)和多項優(yōu)化設(shè)計，讓非盲圖像去模糊在效果和效率上都實現(xiàn)了突破。無論是手機拍照的手抖模糊，還是老照片修復(fù)，都有望從中受益。

如果你也對圖像恢復(fù)感興趣，不妨去看看論文原文（附鏈接：https://setsunil.github.io/DSD/），里面有更多技術(shù)細(xì)節(jié)和實驗結(jié)果