A Neural Approach to Blind Motion Deblurring论文阅读

1. 研究目标与实际问题意义

1.1 研究目标

论文旨在解决盲运动去模糊（Blind Motion Deblurring）问题，即从单张因相机抖动导致的模糊图像中恢复清晰图像，且无需预先知道模糊核（Blur Kernel）。核心挑战在于同时估计模糊核和清晰图像，这一过程因病态性（Ill-posedness）而极为困难。

1.2 实际问题与产业意义

• 实际需求：手持摄影、低光环境拍摄等场景中，长曝光导致图像模糊是常见问题。传统方法依赖多次迭代或复杂先验模型，计算成本高。
• 产业意义：高效的盲去模糊技术可提升摄影后期处理效率，支持移动端实时处理，甚至推动自动驾驶、安防监控等领域图像增强技术的发展。

2. 创新方法及技术细节

2.1 核心思路

论文提出了一种基于神经网络的盲去模糊方法，其核心创新点包括：

1. 频域滤波器预测：网络直接预测去卷积滤波器的复数傅里叶系数（而非像素值或模糊核），利用频域卷积性质加速计算。
2. 多分辨率频率分解：通过分频带处理减少网络参数量，同时支持大模糊核推理。
3. 全局模糊核估计：结合局部预测结果生成全局模糊核，最终通过非盲去卷积优化结果。

2.2 关键公式与模型架构

2.2.1 问题建模

模糊过程建模为卷积加噪声：
$$y[n]=(x\ast k)[n]+ϵ[n],k[n]\ge 0,\sum _{n}k[n]=1\text{\hspace{1em}(1)}$$
其中，$y$为模糊图像， x x