Page 439 - 《软件学报》2026年第5期

2318 软件学报 2026 年第 37 卷第 5 期

表 2 在 REDS 数据集上的对比结果

指标 NAFNet [27] MPRNet [39] HINet [48] MAXIM [52] Our_32 Our_64
PSNR (dB) 29.09 28.79 28.83 28.93 29.08 29.27
SSIM 0.867 0.811 0.862 0.865 0.867 0.870

从表 1 中的实验数据可以看到本文模型在上述两个数据集中取得了卓越的性能表现. 在 32 通道设定下, 本文
方法的性能已超越当前大部分去模糊算法. 该模型不仅在性能上得到了大幅提升, 同时还在参数量和计算量之间实
现了良好的平衡. 为了进一步探索 PDBP-Net 性能极限, 本文同时训练了更大的 64 通道模型, 其性能表现超越了比
较的其他方法. 具体地, 在 GoPro 数据集和 HIDE 测试集上的 PSNR 分别为 33.85 dB 和 31.55 dB, 排名第 1. 这表明
了 PDBP-Net 具有很好的泛化性能, 能够应对不同模糊场景带来的挑战. 与其他辅助学习算法 [34,35,38] 相比, 本文方法
展现出了明显的优势, 这是由于 PDBP-Net 将辅助学习方法与渐进图像去模糊方法相结合, 正确感知图像模糊区域
与程度, 从而精细化指导了高频特征重建. 与基于 Transformer 的方法 [49–51] 相比, 本文方法用较小的算力取得了更
优的性能. 此外, 这 3 种方法的局部建模能力不强, 难以感知图像中的模糊程度, 从而限制了模型的恢复能力.
如表 2 所示, 本文模型在 REDS 数据集上仍然表现良好, 即使在 32 通道的模型上已经得到了与 NAFNet 相当
的结果. 64 通道的模型取得了第一的性能, PSNR 和 SSIM 分别达到了 29.27 dB 和 0.870. 综上所述, 本文提出的
PDBP-Net 模型在图像去运动模糊领域展现出了卓越的性能表现和泛化能力.
3.3 主观对比
除了客观评价之外, 本节还在合成模糊去除、真实模糊去除和失焦模糊去除等方面进行了主观对比, 以直观
呈现 PDBP-Net 的恢复效果.
3.3.1 合成模糊去除效果
为了直观呈现本文方法在合成模糊去除方面的优越性, 本文在 GoPro 数据集和 HIDE 数据集上进行了可视化
比较, 实验结果如图 8 所示.

MIMO-UNet PSNR 28.67 dB DMPHN PSNR 28.05 dB Stripformer PSNR 29.21 dB HINet PSNR 30.01 dB

GoPro 数据集模糊图像 PSNR 23.04 dB MPRNet PSNR 29.13 dB Restormer PSNR 29.06 dB Ours PSNR 32.01 dB 清晰图像

MIMO-UNet PSNR 27.59 dB DMPHN PSNR 26.30 dB Stripformer PSNR 29.01 dB HINet PSNR 29.35 dB

HIDE 数据集模糊图像 PSNR 21.67 dB MPRNet PSNR 28.78 dB Restormer PSNR 28.88 dB Ours PSNR 29.97 dB 清晰图像

MIMO-UNet PSNR 21.78 dB DMPHN PSNR 20.64 dB Stripformer PSNR 24.34 dB HINet PSNR 22.27 dB

HIDE 数据集模糊图像 PSNR 19.66 dB MPRNet PSNR 24.72 dB Restormer PSNR 25.14 dB Ours PSNR 27.33 dB 清晰图像
图 8 合成模糊去除结果 PSNR 对比