摘要
图像去模糊是指将模糊图像复原为具有较高清晰度的图像，在计算机领域一直受到广泛关注。目前基于深度学习的去模糊方法普遍存在网络结构复杂和计算开销大的问题，本文针对图像盲去模糊任务，提出三种深度学习方法，具体研究内容如下。 首先，提出一种基于上下文Transformer的图像盲去模糊方法。将能充分利用图像上下文信息的Transformer作为基础模块，并通过在网络后端加入高质量图像复原模块来重建包含精细纹理的高分辨率特征，可以更有效地恢复出高质量图像。对比实验结果表明，该方法能够有效地提高恢复图像的质量。 其次，提出一种基于快速傅里叶变换的图像盲去模糊方法。将频域方法引入到图像去模糊网络中，通过快速傅里叶变换将特征转换到频域中，提取图像高低频域的信息差异，对不同频域维度的信息进行融合，并通过在网络后端加入特征增强模块来扩大特征提取的感受野范围，进一步提高去模糊网络的性能。对比实验结果表明，该方法能有效地提高网络去模糊的性能。 最后，提出一种基于多尺度编解码器网络的图像盲去模糊方法。采用U型编码器-解码器的网络架构，通过将不同尺度的模糊图像输入到去模糊网络中，以获得不同尺度的去模糊图像，并在组成编码器和解码器的残差块中加入扩张卷积来扩大感受野，同时在编码器和解码器中间引入一个基于注意力机制的特征融合模块，以有效地融合多尺度特征。实验结果表明，这种方法不仅可以快速地去模糊，而且还可以提高图像去模糊的性能。
NETL