《Digital Signal Processing》：Noise Blind Deep Residual Wiener Deconvolution Network for Image Deblurring
編輯推薦：
在圖像去模糊研究中，現有方法存在需預估信噪比（SNR）等問題。研究人員開展噪聲盲深層殘差維納反卷積（NBDRWD）網絡研究。結果顯示，該網絡在多種噪聲及真實模糊場景下表現優異。其意義在于為圖像去模糊提供更有效方案。
在神奇的圖像處理世界里，圖像去模糊一直是個關鍵難題。想象一下，你拍攝了一張美麗風景的照片，卻發現它模糊不清，這多讓人沮喪！從專業角度來說，圖像去模糊的目的是從受損的測量圖像
y中重建出清晰的圖像
x，其數學模型為
y=k?x+n ，這里
k是線性空間不變模糊核，
n是測量噪聲，“
?” 代表卷積運算。當模糊核
k已知時，是為非盲去模糊；若
k未知，則是盲去模糊。
早期的圖像去模糊方法主要是濾波，但圖像去模糊的不適定性帶來了巨大挑戰。后來，正則化方法出現，從解析法到深度學習方法不斷發展。解析法通過手工制作的正則化來約束潛在圖像，以估計其最優解，但手工制作的正則化缺乏圖像適應性，且迭代優化問題的求解計算復雜度高。深度學習方法則利用深度神經網絡來估計潛在圖像，學習數據驅動的正則化。不過，許多基于學習的方法在處理噪聲時存在問題，它們需要先驗的噪聲水平信息，可在實際應用中，噪聲水平通常是未知的。
為了解決這些問題，來自國內的研究人員開展了噪聲盲深層殘差維納反卷積（NBDRWD）網絡的研究。他們的研究成果發表在《Digital Signal Processing》上，為圖像去模糊領域帶來了新的突破。
研究人員用到的主要關鍵技術方法包括：將維納反卷積重新表述為殘差形式，即殘差維納反卷積（RWD），通過解卷積和去噪兩個連續操作來實現維納濾波；為避免顯式估計信噪比（SNR），用一個去噪網絡對去噪操作進行參數化；將參數化的 RWD 網絡與 DWDN + 的編碼 / 解碼結構相結合，構建出可端到端訓練的 NBDRWD 網絡。
下面來看具體的研究結果：
- 數據集及實現細節：在不同的數據集上對 NBDRWD 網絡進行評估，包括一個灰度數據集和兩個彩色數據集，這些數據集中的模糊圖像被不同噪聲污染，如不同噪聲水平的加性高斯白噪聲（AWGN）和非均勻噪聲。
- 實證分析和消融研究：通過這些研究，深入探討了 NBDRWD 網絡各個部分的作用和性能，進一步驗證了該網絡設計的合理性。
- 定性和視覺比較：與一些基線方法對比，NBDRWD 網絡在去模糊效果上表現突出，能更好地恢復圖像的邊緣和精細細節。
研究結論表明，NBDRWD 網絡在去模糊圖像時，顯著優于相關基線方法，無論是在處理均勻高斯噪聲、非均勻高斯噪聲、JPEG 壓縮偽影，還是真實模糊的圖像時，都展現出了強大的性能。這一研究成果的重要意義在于，它為圖像去模糊提供了一種無需噪聲先驗知識或顯式估計噪聲的有效方法，避免了去噪模塊的級聯和迭代，大大提升了去模糊的效果和效率，為相關領域的實際應用提供了有力的技術支持，推動了圖像去模糊技術的發展。
