Learning Fully Convolutional Networks for Iterative Non-blind Deconvolution论文阅读

1. 研究目标与实际问题

1.1 研究目标

论文的核心目标是解决单图像非盲去卷积（Single Image Non-blind Deconvolution）问题：

“Single image non-blind deconvolution aims to recover a sharp latent image given a blurred image and the blur kernel.”

即，在已知模糊核（blur kernel）的前提下，从模糊图像中恢复清晰的原始图像。

1.2 实际意义

• 产业应用：
  在相机防抖、医学成像、天文观测等领域，图像模糊是常见问题。传统方法（如Wiener滤波）易产生振铃伪影（ringing artifacts），且难以处理大范围模糊和高噪声场景。
• 技术痛点：
  现有基于深度学习的非盲去卷积方法需为不同模糊核重新训练网络（如Xu et al. 2014），实际应用成本高昂且不灵活。

2. 创新方法与模型设计

2.1 核心框架：迭代式梯度域处理

论文提出迭代式全卷积网络（Iterative FCNN）框架，将非盲去卷积分解为两个交替步骤：

1. 梯度域去噪（Gradient Domain Denoising）：使用FCNN在梯度域去除噪声和振铃伪影
2. 傅里叶域解卷积（Fourier Deconvolution）：基于去噪梯度恢复清晰图像

这一过程通过基于半二次分裂优化（Half-Quadratic Splitting）的三阶段迭代架构实现。（代码文件DL_deblur.m完整实现了该流程）。

2.1.1 模型架构

图像退化模型：
$$y=k\ast x+n(1)$$

• $y$：模糊图像，$k$：模糊核，$x$：清晰图像，$n$：加性噪声。

传统优化目标：
$$\underset{x}{\min }\frac{\lambda }{2}|y-x\ast k{|}_2^2+\sum \rho (p_l\ast x)(2)$$

半二次分裂优化（Half-Quadratic Splitting）：
$$\underset{x,z}{\min }\frac{\lambda }{2}\Vert y-x\ast k{\Vert }_2^2+\beta \sum _{l=h,w}\Vert z_l-p_l\ast x{\Vert }_2^2+\rho (z_l)$$