文章來(lái)源：計(jì)算機(jī)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?yàn)槭忠欢蹲兂闪四：摹俺橄螽嫛?？或者珍藏的老照片因?yàn)槟甏眠h(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(diǎn)”。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(gè)過程就像解一道復(fù)雜的數(shù)學(xué)題，需要平衡兩個(gè)關(guān)鍵部分：

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

• 正則化項(xiàng) ：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(jì)這兩個(gè)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(huì)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(shí)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(diǎn)就是把所有難題整合到一個(gè)端到端的網(wǎng)絡(luò)里，讓機(jī)器自己學(xué)怎么去模糊。先來(lái)看一張總體結(jié)構(gòu)圖，一目了然：

核心創(chuàng)新點(diǎn)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(jiǎn)單說，這個(gè)函數(shù)能像“智能橡皮擦”一樣，自動(dòng)去掉圖像里的模糊成分——小的噪聲信號(hào)直接抹掉，重要的細(xì)節(jié)保留并增強(qiáng)。

和傳統(tǒng)的手工設(shè)計(jì)函數(shù)相比，Maxout層就像給網(wǎng)絡(luò)裝了個(gè)“萬(wàn)能工具包”，能適應(yīng)各種不同的模糊情況。實(shí)驗(yàn)顯示，這個(gè)設(shè)計(jì)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(diǎn)二：KryNet反卷積網(wǎng)絡(luò)，又快又好

解決反卷積子問題時(shí)，研究者們祭出了大招——KryNet。這個(gè)子網(wǎng)絡(luò)基于Krylov子空間方法設(shè)計(jì)，理論基礎(chǔ)扎實(shí)，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(shí)更穩(wěn)定

• 全卷積設(shè)計(jì)，能端到端訓(xùn)練

看看下面的對(duì)比圖，KryNet在恢復(fù)細(xì)節(jié)時(shí)簡(jiǎn)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(diǎn)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(jì)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(qiáng)

• 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(xiǎn)”

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(gè)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(shì)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(cè)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(shí)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(jì)算量遠(yuǎn)低于同類方法

（左圖：相同計(jì)算量下PSNR最高；右圖：相同效果下速度最快）

一點(diǎn)小遺憾

當(dāng)然，DSDNet也不是萬(wàn)能的。面對(duì)嚴(yán)重過曝或欠曝的圖像（比如強(qiáng)光下的照片），恢復(fù)效果會(huì)打折扣，容易產(chǎn)生偽影。不過研究者們表示，這也是未來(lái)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(xiàng)優(yōu)化設(shè)計(jì)，讓非盲圖像去模糊在效果和效率上都實(shí)現(xiàn)了突破。無(wú)論是手機(jī)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(duì)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(shí)驗(yàn)結(jié)果