摘要
随着图像的采集和传播越来越广泛，人们对高质量清晰图像的需求也日益增高。然而在图像拍摄过程中，常常会遇到镜头抖动或目标移动的情况，不可避免地导致拍摄的照片出现模糊，极大影响了后续的图像智能分析和应用。图像去模糊任务旨在从模糊的图像中还原出清晰图像，近年来在计算机视觉领域中受到了广泛研究。目前已有许多基于深度学习的单幅图像去模糊方法被相继提出，但是这些方法仍存在一定的局限性，如去模糊效果不佳以及图像细节丢失等问题。因此，本文致力于基于深度学习的单幅图像去模糊方法研究： 首先，考虑到现有单幅图像去模糊方法中存在网络感受野不足、多尺度特征利用不充分而导致去模糊效果不佳的问题，本文提出一种基于扩张双残差多尺度融合网络的图像去模糊方法。该方法基于U-Net网络框架，提出扩张双残差模块，以此扩大网络的感受野并提取更深层次的图像特征信息。其次，提出多尺度融合跳跃模块，将不同尺度的图像特征相互融合补充，促进不同层次特征的信息交流。最后，提出小波重建模块，利用小波变换的特性为网络提供更多的图像细节信息，重建出更加细致的复原图像。实验结果表明，本文所提方法能够很好地去除图像模糊，重建出清晰的复原图像。 进一步地，考虑到现有的图像去模糊方法大多只进行单次去模糊，容易出现对大尺度模糊去除不彻底或去除结果过于平滑的问题。因此，本文提出一种基于注意力循环网络的图像去模糊方法。该方法通过引入参数共享的循环神经网络，分成三个阶段渐进式去除图像模糊，前一阶段得到的模糊信息可以通过循环单元传到下一阶段，指导下一阶段的去模糊任务。此外，本文在网络中加入注意力机制，通过自适应调整参数，使网络更加精确地获取并传递有用的模糊特征信息。实验结果表明，本文所提方法在客观指标和视觉效果上相较于对比的方法取得了进一步的提升。 最后，考虑到现有的去模糊方法中存在高频细节丢失导致图像边缘模糊的问题，本文提出一种基于异构双分支残差网络的图像去模糊方法。该网络的两个分支采用不同的结构并行地进行模糊去除和细节增强。其中模糊去除分支采用多尺度网络由粗到精地去除图像模糊。细节增强分支采用保持图像高分辨率的全卷积网络对图像细节进行增强，并结合本文提出的上下文感知残差模块充分提取图像的高频细节特征，弥补模糊去除分支未能重构的高频图像细节。实验结果表明，本文所提方法的去模糊性能优于所对比的图像去模糊方法。
NETL