Page 434 - 《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 2313

间, 并利用这些生成的模糊空间与其他清晰图像生成新的模糊图像. 这种辅助学习方法有助于更好地去除图像模
糊并生成逼真的模糊图像. 然而, 这种方法通常使用两个不同的网络分别处理清晰图像和模糊图像的生成, 导致模
型参数无法充分共享. 这些基于循环的生成网络框架 (如图 3(c) 所示) 可以将清晰图像生成模糊图像、模糊图像
恢复成清晰图像, 同时训练两个生成网络相互监督学习, 然而, 此类方法训练量大, 难以精确地生成所需图像. 综上
所述, 辅助学习为图像恢复任务引入了其他相关任务, 有助于模型进行针对性的学习, 从而提高收敛速度和泛化能
力. 然而, 其复杂的框架往往导致参数量增加, 且如果未能有效分步骤学习每个任务, 反而不利于模型的收敛, 引发
欠拟合问题, 从而阻碍模型求得最优解. 为了解决这一问题, 本文提出了一种不同的辅助学习方法, 如图 3(d) 所示.
该方法的核心在于通过辅助学习任务, 在共享参数的基础上同时生成高频特征和初步恢复图. 这两个任务相互借
鉴, 共同帮助图像去模糊. 此外, 本文方法中分步骤的学习方式不仅减轻了模型的训练负担, 还有效防止了因任务
过重导致的模型不收敛问题.

x M
x

y x
(c)

c

(a) (b) (d)
生成的 真实的
M 先验特征 x y 高频特征 残差图 融合模块
模糊图像 清晰图像
图 3 辅助学习中的主流模型框架

2 方 法

本文采用辅助学习的方式来帮助网络感知图像的模糊位置和模糊程度, 进而指导模型进行精细化的去模糊.
该方法分为 4 个部分: 高频差异与图像残差生成子网络、高频差异引导的模糊感知模块、模糊感知指导的细节恢
复子网络和损失函数. 首先, 本文生成高频特征与残差图; 接下来, 将生成的高频差异特征图和残差图输入高频差
异引导的模糊感知模块, 生成模糊感知特征图. 与此同时, 利用模糊图和残差图生成初步恢复图; 最后, 将模糊感知
特征图与初步恢复图一并输入模糊感知指导的细节恢复子网络对图像进行更为精准的细节恢复, 从而得到高质量
的恢复图像. 本文提出的网络框架如后文图 4 所示, 下面详细介绍各个模块.

2.1 高频差异与图像残差生成 (HDIRG) 子网络
频域处理在图像去模糊领域取得了显著进展, 有研究表明, 模糊图像和清晰图像之间的差异主要体现在频率
上 [21,26,29] . 具体而言, 图像的低频部分和高频部分表现出截然不同的特性, 清晰图像的高频分量总是能够捕捉到比
模糊图像更为清晰的纹理和细节, 而清晰图像和模糊图像的低频分量则表现出很高的相似性. 如图 5 所示, (a) 为
模糊图像, (b) 为模糊图像提取的高频特征, (c) 为清晰图像, (d) 为清晰图像提取的高频特征, (e) 为两个高频特征之
差. 从图 5 中可以看出, 模糊图像和清晰图像在高频特征中具有较大差异. 基于此, Liu 等人 [17] 和 Fu 等人 [35] 在各自
的研究中采用了不共享参数的双网络策略, 分别用于生成高频特征和恢复清晰图像. 上述方法虽然有效, 但步骤繁
琐, 且由于模型参数不共享, 导致了较大的参数量, 进而增加了计算难度. 与之不同, 本文提出的高频差异与图像残