Page 436 - 《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 2315

其中, D(·) 表示解码器, F d 表示解码器的输出特征.
最后, 将解码器最终生成的图像特征输入到重构层, 生成最终的高频差异特征图和残差图. 重构层包括 1 个
5×5 卷积网络和 3 个残差块, 它将图像特征维度映射为 6 通道, 取前 3 个通道为残差图, 后 3 个通道为高频差异特
征图, 其过程可用公式表示如下:

F r ,F h = RE(F d ) (4)
其中, RE(·) 表示重构层, F r ∈ R H×W×3 为生成的残差图, F h ∈ R H×W×3 为生成的高频差异特征图.
上述编码层和解码层都由 4 个如图 6 所示的残差块组成 [27] , 其中 SG (simple gate) 为门控线性单元 (gated
linear unit, GLU) 的变体, 用于增强模型表现的激活函数. 通过引入门控机制, 使得模型能够选择性地通过信息, 从
而提高模型的表达能力和性能, SG 在此基础上简化了操作, 提高模型计算效率. SCA (simplified channel attention)
为通道注意力, 它首先将空间信息压缩到通道中, 然后应用多层感知来计算通道注意力, 并将其用于加权特征图,
高效地捕获全局信息. 这些组件共同协作, 提升了网络的特征提取和表示能力.

LayerNorm 1×1, Conv 3×3, DConv SG SCA 1×1, Conv + LayerNorm 1×1, Conv SG 1×1, Conv +

图 6 残差块结构

2.2 高频差异引导的模糊感知模块 (BPGHD)
将生成的高频差异特征图直接送入 BPGDR 子网络进行指导去模糊是不合理的 [17,39] , 原因如下: 高频差异特
征图的模糊感知能力不强, 不能有效地指导后续精细化细节的恢复. 因此, 本文设计了 BPGHD 模块 (如图 7 所示),
它将生成的高频差异特征图和残差图进行深度融合, 生成模糊感知特征图用于指导后续细节恢复. 同时, 该模块还
利用模糊图和残差图生成了初步恢复图, 为后续精细化恢复奠定基础.

残差图 模糊图

×
F

c
S + C
× C +

模糊感知特征图
×
C
+ 元素相加 S 激活函数 频域注意力 卷积
× 矩阵相乘 c 通道相加 F C
生成的高频差异特征图 初步恢复图
图 7 高频差异引导的模糊感知模块 BPGHD

具体地, BPGHD 模块将高频差异特征图 F h 乘以残差图 F r 生成注意力图 F a , 此过程可以表示为:

(5)
F a = F h ×F r
F h 分别进行 3×3 F r 进行
然后, 将注意力图 F a 和高频差异特征图 卷积用来提取具有融合特性的信息, 残差图
频域注意力操作用于关注具有高频信息的图像特征 F I . 随后, 将注意力图送入激活函数后分别与高频差异特征图