Page 431 - 《软件学报》2026年第5期

2310 软件学报 2026 年第 37 卷第 5 期

image deblurring algorithm guided by blur perception (PDBP-Net). The main idea of the algorithm is to utilize auxiliary tasks to generate
blur perception feature maps, thus guiding the algorithm to achieve more refined restoration. First, the high-frequency difference and image
residual generative subnetwork (HDIRG-net) employs auxiliary learning to simultaneously generate high-frequency difference feature maps
and residual maps. These are then fed into the blur perception module guided by high-frequency differences (BPGHD) for deep fusion and
extraction of blur-related information, resulting in the generation of blur perception feature maps. Moreover, to alleviate the limitations of a
single network in restoring complex scenes, this module uses the residual maps and blur maps to generate preliminary restored images.
Finally, the blur perception-guided detail restoration subnetwork (BPGDR-net) conducts targeted re-optimization of the preliminary restored
images under the guidance of the blur perception feature maps, thus generating the final restored images. The proposed deblurring model
is extensively evaluated on multiple benchmark datasets and achieves significant improvements over state-of-the-art deblurring methods.
Specifically, on the GoPro dataset, the peak signal-to-noise ratio (PSNR) and structural similarity index (SSIM) reach 33.85 dB and 0.967,
respectively, with the PSNR being 0.39 dB higher than that of the second-best method. Extensive experimental results demonstrate that
PDBP-Net outperforms state-of-the-art auxiliary learning-based methods and significantly enhances image deblurring performance,
confirming the effectiveness of the proposed method.
Key words: image deblurring; assisted learning; high frequency difference; blur perception

随着信息化时代的迅猛发展, 生活中涌现出海量的图片, 然而, 这些图片的质量却不可避免地呈现出参差不齐
的状况. 例如, 在拍摄过程中, 相机抖动或者拍摄物体处于运动状态等情况, 通常会使图像变得模糊. 为提升模糊图
像质量, 学界涌现出许多去模糊算法. 在盲运动去模糊领域, 这些算法可以被分为两类: 传统的方法和基于深度学
习的方法. 前者主要基于正则化技术、稀疏图像先验、hyper-Laplacian 先验等先验 [1–3] 知识进行模型构建, 并取得
了一定进展, 但此类方法对真实场景中的复杂模糊缺乏建模能力. 当模糊核具有空间变化特性或与训练假设存在
域差异时, 基于固定先验的估计方法容易偏离真实退化过程, 最终限制去模糊算法的实际性能. 随着卷积神经网
络 (convolutional neural network, CNN) 的出现, 基于深度学习的方法摆脱了先前手工估计模糊核的方式, 模糊核可
由卷积自主学习而得 [4–10] . 相较于以往的方法, 利用 CNN 学习得到的模糊核所恢复的效果更为优异. 然而, 这些方
法仍然具有操作复杂性, 即使估计出正确的模糊核, 仍需使用该估计核进行反卷积以恢复图像. 此外, 如果先验设
计复杂, 则去模糊模型的计算与求解会变得更加困难. 与模糊核估计方法不同, 端到端的去模糊方法 [11–16] 无需估计
模糊核, 从而避免了因估计不准而导致的去模糊误差.
尽管端到端的网络架构在数据集上表现良好, 但它们未能准确识别模糊位置和程度, 而这些信息往往是恢复
图像细节的关键因素之一. 运动模糊的位置和程度往往十分复杂并难以预估. 如图 1 所示, 在同一张图像中, 不同
区域 (如 A 和 B) 出现了不同的模糊效果. 当行人 A 向左走时, 产生的模糊效果与行人 B 向右走时产生的运动模
糊方向不同, 即同一张图像的不同位置可能会有不同方向的模糊效果. 此外, 即使在同一区域 (如图 1 中的 A 位
置), 也存在不同程度的模糊. 例如, A 位置行人的手臂靠近肩膀部分的模糊程度较小, 而远离肩膀部分的模糊程度
较大. 因此, 尽管模糊方向大致相似, 但在相同的模糊区域, 模糊程度可能不同. 为了去除图像中大部分的模糊, 基
于单一框架的模型往往未对不同程度和位置的模糊进行针对性的处理, 使得恢复图像的纹理和边缘过于平滑, 从
而导致此类模型在高频信息恢复方面表现欠佳. 为解决这一问题, Liu 等人 [17] 设计了高频信息聚合模块和高频信
息注意模块, 通过有监督的高频信息重建任务指导高频注意模块的恢复, 但是两种模块设计复杂只注重多尺度的
相关性, 忽视了初步恢复图和高频特征图的关联, 不能从整体的角度利用生成的高频信息进一步恢复清晰图像. Ji
等人 [18] 和 Tsai 等人 [19] 采用横向和纵向的学习方式, 逐块进行模糊位置识别, 以大致获取模糊位置并学习不同的模
糊方式, 然而这种方法计算量大, 并且模型监督不足, 位置识别不够精确. Jiang 等人 [20] 利用 CNN 提取局部信息,
Transformer 提取全局信息, 该方法在一定程度上能够较为准确地识别图像中不同位置的模糊程度差异, 然而, 对
于同一位置不同程度的模糊, 其学习能力存在一定局限性.
不同于上述方法, 本文提出了模糊感知引导的渐进图像去模糊方法 (progressive image deblurring guided by
blur perception, PDBP-Net), 该方法的核心思想是首先生成残差图和高频差异特征图, 然后在此基础上生成模糊感
知特征图和初步恢复图, 最后在模糊感知特征图的指导下对初步恢复图进行再优化, 从而生成高质量的恢复图. 具
体地, 该方法大致分为 3 个步骤: 首先, 本文设计了高频差异与图像残差生成子网络 (high-frequency differences and
image residual generative, HDIRG-net), 该网络采用辅助学习的方式同时生成高频差异特征图和残差图; 然后, 本文