Page 433 - 《软件学报》2026年第5期

2312 软件学报 2026 年第 37 卷第 5 期

种尺度循环网络, 通过递归处理多尺度图像, 从低分辨率到高分辨率逐步重建清晰图像, 并在不同尺度间共享权
重, 利用跨尺度信息传递提升模型恢复能力. Wan 等人 [31] 提出一种基于通道注意力机制的动态场景盲去模糊方法,
网络通过自适应通道注意力模块动态调整不同特征通道的权重, 增强对模糊区域的特征敏感性. 上述多尺度分块
的网络架构 (如图 2(b) 所示) 在中间层多次生成初步恢复图, 虽然分阶段的方式可以拆分解决模糊空间变化性和
复杂性, 但不能精准地找寻模糊关键位置. Kupyn 等人 [32] 提出了 DeblurGAN 来对不同的模糊源进行建模, 其中采
用具有编码器解码器架构的 CNN 作为生成器, 并采用基于卷积块的分类器作为判别器. DeblurGAN-v2 [33] 将双尺
度判别器和特征金字塔网络合并到 GAN 中, 以实现更好的去模糊结果. 上述基于 GAN 网络的方法 (如图 2(c) 所
示) 在模型训练阶段增加了判别器, 可以对生成的清晰图像进行判别, 帮助模型监督图像恢复, 然而基于 GAN 网
络的模型训练困难, 不易收敛. 尽管单任务方法因其结构简单、参数量小且无需生成中间结果而受到青睐, 但它难
以针对性学习模糊位置和模糊程度, 同时难以引入其他任务来辅助网络进行优化. 因此, 在追求更高去模糊效果的
过程中, 如何平衡方法的复杂性和性能, 仍是图像去模糊领域面临的重要挑战.

+

(c)
真实的 生成的 判别器
c c 模糊图像 清晰图像
隐藏层 跳跃连接
(a)
(b) 元素相加 c 通道相加
图 2 单任务学习中的主流模型框架

● 辅助学习方法. 辅助学习是一种强大的深度学习策略, 它允许模型同时处理多个相关任务. 通过共享模型参
数和特征提取器, 这类方法不仅减少了所需的模型数量和计算复杂度, 还提高了模型的效率和泛化性能, 有效避免
了过拟合问题. 在图像恢复领域, 引入相关任务进行辅助学习有助于图像的细节恢复. 现有的辅助学习方法可以细
分为 3 类: 基于 U-Net 的多输出方法、基于先验特征指导的恢复方法和基于循环的生成网络. Chi 等人 [34] 结合了
辅助学习和元学习, 实现了清晰图像和模糊图像的同步生成. 该网络的设计使得两种图像的生成过程在参数上实
现了共享, 同时在测试阶段仍能针对不同图像特征进行学习. 此类基于 U-Net 的多输出方法 (如图 3(a) 所示) 在单
任务 U-Net 网络的基础上额外生成了模糊图像, 帮助模型进行监督和测试, 然而由于网络架构相对简单, 在共享参
数的情况下同时生成清晰图像和模糊图像是非常困难的, 这导致其在进行图像去模糊时性能受限. 文献 [17,35] 首
先设计一个子网络, 通过模糊图像生成对应的先验信息, 然后利用先验信息辅助第 2 个子网络恢复模糊图像. 上述
基于先验特征指导的辅助学习网络 (如图 3(b) 所示) 通过生成的先验特征图针对性拆解图像恢复步骤, 同时提取
图像恢复所需的关键特征信息, 然而这一设计并未实现两个子网络的参数共享, 导致先验信息与恢复图像的关联
不够紧密, 同时计算量和参数量成倍增加导致模型训练困难. Zhao 等人 [36] 通过引入多个注意力机制, 自适应地关
注图像中的运动模糊区域, 从而显著提升了去模糊效果. 他们进一步利用对比引导技术, 通过对比生成的清晰和模
糊图像与真实清晰图像, 有效指导生成器的训练过程. Zhao 等人 [37] 利用清晰图像和模糊图像在频域分布上的不一
致性, 将图像同时清晰化和模糊化, 实现了轻量级的无监督学习去模糊模型. Li 等人 [38] 则从另一个角度入手, 他们
认为模糊图像是清晰图像与模糊空间纠缠的结果. 他们设计的模糊空间解缠网络能够分离出模糊图像中的模糊空