Page 437 - 《软件学报》2026年第5期

2316 软件学报 2026 年第 37 卷第 5 期

F I 相乘, 自适应提取模糊位置和模糊程度, 最后将融合信息相加, 通过 3×3 卷积进行通道变换得到
F h 和图像特征
模糊感知特征图 F g ∈ R H×W×1 . 上述模块的操作过程可用如下公式表示:

F g = cat{C (F(F r )×S(C(F a ))+C(F h )×S(C(F a ))),F r } (6)
其中, C(·) 表示卷积操作, F(·) 表示高频注意力操作, cat{·,·} 表示两个特征按通道进行叠加, S(·) 表示激活函数.
此外, 为了约束残差图的生成与后续精细化细节的恢复, 本文将模糊图与残差图相加以生成初步恢复图, 此过
程可以表示为:

(7)
I = I b + F r
2.3 模糊感知指导的细节恢复 (BPGDR) 子网络
BPGDR 子网络利用具有模糊信息的模糊感知特征图指导初步恢复图进行精细化恢复. 它与 HDIRG 子网络
的编码器和解码器完全相同并且参数共享, 这一设计不仅使得已经学习到的去模糊参数能方便地应用于恢复子网
络, 而且显著减少了模型的参数量和复杂度, 提升了运算效率.
首先, BPGDR 子网络对初步恢复图 I 和模糊感知特征图 F g 进行 cat{·,·} 操作得到通道为 4 的合成特征图. 然
后, 为了方便后续主干网络的学习, 本文采用 3×3 的卷积操作对特征进行降维, 最终得到 3 通道的特征图 F sum . 上
述操作的公式表示如下:

F sum = C(cat{F g ,I}) (8)
随后, 将特征图 F sum 送入 BPGDR 子网络的编码器与解码器. 不同于 HDIRG 子网络的多输出, 该层子网络的
输出仅有最终恢复图, 这样可以让 BPGDR 子网络更加专注利用模糊感知特征图的指导信息去生成最终恢复图,
而非学习识别模糊区域, 该过程表示如下:

I S = M(F sum ) (9)
其中, M(·) 为 BPGDR 子网络, I S 为最终恢复图.
2.4 损失函数
本文采用多损失联合方式来约束模型的学习, 下面介绍各个损失函数.
PSNR 损失: 为了控制图像的像素级精度, 本文将初步恢复图 I 和最终恢复图 I S 都与清晰图 G 求 PSNR 损失,
公式如下:

L PSNR = P(G,I)+P(G,I S ) (10)
其中, P(·,·) 表示计算 PSNR 损失.
高频损失: 为了监督高频差异特征图的生成效果, 本文通过 Laplacian 算子提取清晰图 G 和模糊图 I b 的高频

信息, 两者做差得到了真实的高频差异特征图 G h , 然后与生成的高频差异特征图 F h 计算 L 1 损失:

(11)
L h = ∥G h − F h ∥ 1
傅里叶损失: 对于最终恢复图 I S , 本文不仅采用了 PSNR 损失, 还采用了傅里叶损失对其频域特征进行监督.
具体公式如下:

(12)
L f = ∥T (G)−T (I S )∥ 1
其中, T (·) 表示傅里叶变换.
综上, 本文的整体损失定义如下:

(13)
Loss = L PSNR +λ h L h +λ f L f
其中, λ h 和 λ f 分别为高频损失和傅里叶损失权重, 参数设置为 λ h =0.1 和 λ f =0.1.
3 实 验

本文通过大量的实验来评估 PDBP-Net 的有效性. 首先, 介绍实验设置, 包括用于训练和验证的数据集、实现
细节和评价指标; 然后, 通过客观指标来呈现本文方法的优越性; 接着, 通过主观实验展示本文算法对合成运动模