在數字圖像處理領域，運動模糊是攝影中常見的難題，由相機與拍攝場景的相對運動引起，會破壞圖像的邊緣、紋理和結構，不僅影響視覺體驗，還對依賴清晰圖像的計算機視覺應用產生負面影響。盡管過去幾十年在運動模糊圖像恢復（MBIR）領域已取得顯著進展，但傳統方法如基于稀疏表示的卷積稀疏編碼（CSC）模型仍存在明顯不足�，F有 CSC 模型大多通過單一尺度的通用字典表示圖像，無法像卷積神經網絡（CNN）那樣提取多尺度特征，且其聚焦于圖像重構，而非像 CNN/Transformer 網絡那樣關注殘差特征的重建，這導致其在圖像恢復任務中的效果往往不如先進的深度學習模型。因此，如何提升 CSC 模型的多尺度特征處理能力和殘差特征重建效率，成為運動去模糊領域亟待解決的關鍵問題。

為應對這些挑戰，國內研究人員（基于基金信息推測）開展了多尺度殘差卷積字典學習的相關研究，其成果發表在《Digital Signal Processing》。該研究提出一種新穎的多尺度殘差卷積字典學習（MRCDL）技術，旨在通過結合 CSC 與 Transformer 網絡，更高效地解決運動去模糊問題。

研究主要采用以下關鍵技術方法：首先，利用 U 型 Transformer 網絡進行多尺度特征提取，該網絡能夠將圖像轉換為比固定值小波變換更稀疏的表示；其次，設計多尺度殘差卷積稀疏編碼（RCSC）模塊，通過學習多尺度、多維卷積字典和稀疏表示，在特征域中進行殘差特征重建；最后，借助學習的迭代收縮 / 閾值算法（LISTA）展開求解聯合 RCSC 優化問題的過程，實現跨尺度的失真信息聯合建模與校正。

研究指出，現有 CSC 模型因單尺度表示和缺乏殘差特征重建機制而效果受限。為此，提出的 RCSC 模型采用多組多尺度、多維字典重建殘差特征。其中，U 型 Transformer 網絡的結構類似 U-Net，通過不同尺度的卷積濾波器分析圖像，捕捉多視角特征，使模型能更有效地處理空間異質圖像數據。同時，殘差特征在特征空間的稀疏性高于空間域，通過可學習的卷積濾波器構建殘差特征空間，可實現更稀疏的表示，進而提升去模糊效果。

在多種運動模糊圖像數據集上的實驗表明，MRCDL 模型在定量指標（如峰值信噪比等）和主觀質量（如邊緣、紋理清晰度）方面均表現出色，優于現有的 CSC 基方法（如用于去噪的 [36] 和去塊的 [47]）以及部分領先的 CNN/Transformer 模型。此外，模型在保持合理網絡參數數量和計算復雜度的同時，展現出良好的泛化能力，無論是合成還是真實運動模糊圖像（包括相機抖動和物體運動引起的模糊），均能有效去除模糊偽影，恢復出細節豐富的清晰圖像。

該研究首次將 CSC 與 Transformer-based DNN 相結合，提出的 MRCDL 技術為運動去模糊提供了新的解決方案。通過多尺度特征提取和殘差特征重建，模型克服了傳統 CSC 模型的局限性，顯著提升了圖像恢復性能。其創新點在于引入多尺度字典和殘差學習機制，增強了模型對圖像多維度特征的捕捉能力，同時通過 LISTA 算法保證了模型的可解釋性和學習能力。該研究不僅為運動模糊圖像恢復領域提供了更高效的方法，也為稀疏表示與深度學習的結合提供了新思路，有望推動計算機視覺、醫學影像等依賴清晰圖像的領域發展。