Page 432 - 《软件学报》2026年第5期

胡波 等: 模糊感知引导的渐进图像去模糊 2311

设计了高频差异引导的模糊感知模块 (blur perception module guided by high-frequency differences, BPGHD) 用于
融合上层子网络的两个输出, 同时生成模糊感知特征图来指导下层子网络的细节恢复; 最后, 本文设计的模糊感知
指导的细节恢复子网络 (blur perception guided detail restoration, BPGDR-net) 利用融合后的模糊感知信息对初步恢
复图进行精细化恢复, 得到高质量的去模糊图像. 在 3 个基准数据集的量化结果表明, 所提的 PDBP-Net 方法取得
了当前最优的性能表现.

B
A

图 1 GoPro 数据集 [21] 中的模糊图像

本文的主要贡献可总结为以下 3 点.
(1) 提出基于辅助学习的高频差异与图像残差生成子网络, 该子网络通过辅助学习方式重建潜在的高频差异
信息并生成残差图.
(2) 提出跨层连接的高频差异引导的模糊感知模块, 不仅融合了上层子网络生成的高频差异特征图和残差图
并加以约束, 而且为下层的恢复子网络提供精确的模糊感知指导.
(3) 大量实验表明, 本文方法在不同类型数据集上都具有出色的模糊感知和图像恢复能力, 并显著提高了真实
场景中的去模糊性能.
1 图像去模糊相关工作

目前端到端的方法按照网络任务可以分为两大类: 单任务方法和辅助学习方法. 下面将详细综述这两类方法.
● 单任务方法. 近年来, 众多单任务图像去模糊网络架构相继涌现, 其核心优势在于能够直接生成清晰图像,
省去了复杂的中间处理步骤, 实现了简单高效的去模糊效果. 此类方法进一步可以细分为 3 类: 基于 U-Net 网络的
方法, 多尺度分块的网络架构和基于 GAN 网络的方法. Gao 等人 [22] 提出了一种从粗到细的图像去模糊网络, 该模
型的不同子网络之间可以有选择性参数共享和跳跃连接. 该方法设计了参数选择共享方案, 从而优化了传统参数
独立和共享方案的局限性. Purohit 等人 [23] 则从注意力机制入手, 设计了融合通道注意力和空间注意力的卷积块.
他们的编码器-解码器主干采用可变形模块 (dense deformable module, DDM) 和自注意力 (self-attention, SA) 模块,
在不显著增加计算成本的前提下提升了去模糊性能. Cho 等人 [24] 则提出了一种多尺度的 U-Net 网络, 即 MIMO-
UNet. 该网络在单层编码器-解码器架构上实现了多尺度的输入输出, 并通过巧妙设计的多尺度交互连接增强了网
络的特征提取能力. Li 等人 [25] 在此基础上进一步探索, 设计了局部学习策略, 专注于图像局部模糊的恢复, 并提出
了数据集的生成方法. Zhang 等人 [26] 则从频域角度出发, 提出了一种基于频域的对比学习方法. 该方法通过对模糊
图像的高频区域进行对比学习监督, 结合编码器、解码器与清晰图像的对比, 实现了高效的去模糊效果. Chen 等
人 [27] 对 U-Net 网络中的残差块进行了简化, 以简洁的基线模块构建出性能出色的去模糊网络. 近年来, Trans-
former 在图像领域因其能够提取全局相关信息的优势而受到广泛关注, 但由于计算量大、对设备要求高, 其在图
像去模糊领域的应用一直受到限制. 为了解决这一难题, Zamir 等人 [28] 提出了 Restormer 模型, 该模型通过计算特
征深度域中的缩放点积注意力来降低计算成本. Pan 等人 [29] 基于 NAFNet [27] 框架进行改进, 通过 Transformer 提取
频域特征, 从而达到了优秀的恢复效果. 此类基于 U-Net 网络的方法 (如图 2(a) 所示) 无需输出中间特征, 但框架
简单仅对内部残差结构进行了创新. Nah 等人 [21] 提出一种多尺度卷积神经网络, 通过金字塔结构从粗到细逐级恢
复图像. 在不同分辨率层级上分别提取特征, 并通过跨尺度连接融合低层细节与高层语义信息. Tao 等人 [30] 设计一