A Machine Learning Approach for Non-blind Image Deconvolution论文阅读

1. 研究目标与实际意义

研究目标：解决空间不变非盲图像去卷积（space-invariant non-blind deconvolution）问题，即在已知模糊核（PSF）的前提下，从模糊图像中恢复清晰图像。
实际问题：图像因运动模糊、失焦模糊等退化，导致信息丢失。传统方法在处理噪声放大和图像信息损坏时存在局限。
产业意义：

• 摄影与摄像：提升手机、相机成像质量，尤其在低光或运动场景中。
• 医学影像：改善显微镜、MRI图像的清晰度。
• 自动驾驶与机器人视觉：增强环境感知的准确性。

2. 创新方法与模型设计

2.1 核心思路

论文提出两步法解决空间不变非盲去卷积问题：

1. 正则化反演（Regularized Inversion）：在傅里叶域对模糊核进行逆变换，抑制噪声放大。
2. MLP去伪影（Artifact Removal by MLPs）：用多层感知机（MLP）学习去除反演后的彩色噪声和图像伪影。

关键创新：与传统两步法（如IDD-BM3D）依赖手工设计去噪算法不同，本文通过数据驱动方式学习去伪影过程，直接建模图像退化过程，同时解决噪声着色和图像信息损坏问题（§3.2）。

2.2 正则化反演：理论与公式

2.2.1 退化模型

图像退化过程建模为：
$$y=v\ast x+n(1)$$

• $y$：模糊图像
• $x$：清晰图像
• $v$：点扩散函数（PSF, Point Spread Function）
• $n$：加性白高斯噪声（AWG, Additive White Gaussian Noise），标准差为 $\sigma$

2.2.2 正则化目标函数

引入梯度先验和模糊核测量误差正则项：
$$\underset{x}{\min }{\Vert y-v\ast x\Vert }^2+\alpha {\sigma }^2{\Vert \nabla x\Vert }^2+\beta {\Vert x\Vert }^2(2)$$

• $\alpha ,\beta$