Page 438 - 《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 2317

糊、真实运动模糊和失焦模糊等多种模糊类型的恢复效果; 最后, 通过消融实验验证 PDBP-Net 中每个组件的有
效性.
3.1 实验设置
● 数据集: 为了全面验证 PDBP-Net 对各种场景下模糊图像的恢复效果, 本文采用了多个公开的图像运动去
模糊数据集. 具体地: GoPro 数据集 [21] 包含 3 214 个图像对, 每对图像中包含一个模糊和一个清晰图像. 该数据集划分
2 103 对图像为训练集、1 111 对图像为测试集. HIDE 数据集 [40] 包含 8 422 个图像对, 其中 6 397 对训练集和 2 025
对测试集, 该数据集主要关注行人和街道场景中的运动模糊. REDS 数据集的测试集是非公开的, 按照其他算法 [27]
的测试方式, 本文采用 REDS-val-300 中的 300 张图像作为测试集.
● 实现细节: 与之前的工作相同, 本文模型仅在 GoPro 数据集上进行训练, 之后在 GoPro、HIDE 和 REDS 数
据集上进行测试. 参考 NAFNet 网络的参数设置: 将 β 1 = 0.9 、 β 2 = 0.9 、 ε = 0 的 Adam 优化器用于优化网络. 本
5
文模型总共训练 4×10 次迭代, 初始学习率设置为 1E−3 , 通过余弦退火方案逐渐降低到 1E−6. 训练的图像尺寸大
小为 256×256, 32 通道下的批量大小为 11, 64 通道下的批量大小为 5. 通过裁块方式进行训练并在全图像进行测
试会导致性能下降, 因此 PDBP-Net 在测试阶段加入 TLC 方法 [41] 来解决此类问题.
● 评价指标: 本文采用峰值信噪比 (PSNR) 和结构相似度 (SSIM) 两个指标来衡量各个算法的恢复效果.
3.2 客观对比

为了验证 PDBP-Net 的优越性, 本文在 3 个数据集上进行测试并与先进的方法进行定量比较. 这些算法的所
有定量数据都来自相应的文献. 实验结果如表 1 和表 2 所示, Params 为网络的参数量, FLOPs 为网络的计算量.

表 1 在 GoPro 和 HIDE 数据集上的对比结果

GoPro HIDE
Methods Params (MB) FLOPs (G)
PSNR (dB) SSIM PSNR (dB) SSIM
[17]
Liu等人 (2021, TMM) 31.90 0.951 29.47 0.934 25.7 －
[19]
Stripformer (2022, ECCV) 33.08 0.962 31.03 0.940 20 170
[20]
CLG-INet (2023, ACM) 33.43 0.962 31.49 0.944 24.7 86.8
[24]
MIMO-UNet (2021, ICCV) 32.68 0.959 29.99 0.930 16.1 89.5
[26]
MSFS-Net (2023, TCSVT) 33.46 0.964 31.30 0.943 21.6 －
[28]
Restormer (2022, CVPR) 32.92 0.959 31.22 0.942 25.3 140
[34]
Chi等人 (2021, CVPR) 32.50 0.958 30.55 0.935 － －
[35]
EADNet (2022, IJON) 31.02 0.912 － － 8.99 －
[38]
HSDNet (2023, TIP) 31.68 0.950 － － 6 88
[39]
MPRNet (2021, CVPR) 32.66 0.958 30.96 0.939 20.1 660.2
Whang等人 (2022, CVPR) [42] 31.66 0.948 29.77 0.922 26.0 －
BAGdeblur (2022, TNNLS) [43] 31.71 0.944 － － － －
Pan等人 (2022, ICIJ) [44] 32.12 0.955 29.88 0.929 1.9 16.35
SharpFormer (2023, TIP) [45] 33.10 0.963 － － 27.8 158.5
Mao等人 (2023, TCSVT) [46] 31.92 0.953 － － 3.11 －
Zhao等人 (2023, TIM) [47] 32.73 0.959 31.05 0.940 16.5 －
HINet (2022, CVPR) [48] 33.08 0.962 30.66 0.936 22.3 85.6
FSNet (2024, TPAMI) [49] 33.29 0.963 31.05 0.941 13.28 111.14
RGE-Net (2024, TCSVT) [50] 32.60 0.958 30.39 0.933 2.58 33
Guo等人 (2025, EOC) [51] 31.87 0.952 29.38 0.922 － －
Our_32 33.61 0.966 31.50 0.944 17.0 32
Our_64 33.85 0.967 31.55 0.946 67.9 126.4