Page 440 - 《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 2319

由图 8 可知, 本文方法不仅取得了最优的 PSNR 值, 还在细节恢复方面取得较好效果. 具体地: 首先, PDBP-
Net 在 GoPro 数据集中的去模糊效果 (图 8 第 1 行) 更好, 特别是在车轮边缘轮廓的恢复上, PDBP-Net 展现出了更
精细的细节处理能力. 其次, 在第 2 行 HIDE 数据集的测试结果中, 其他模型对于相机抖动造成的背景模糊和人物
车辆移动造成对象模糊恢复时会产生一定的伪影, 这影响了图像质量的直观感受. 相比之下, 本文模型对两种运动
模糊都可以有效恢复. 特别是在处理背景中的玻璃条纹模糊和刻画运动中的人物面部时, PDBP-Net 展现出了更强
的恢复能力. 在第 3 行中, 我们可以注意到 PDBP-Net 在处理路标、文字以及人物背影等细节丰富的区域时, 恢复

效果同样出色. 与其他方法相比, PDBP-Net 没有产生不可控的退化现象, 保持了图像的原始结构和纹理信息.
3.3.2 真实模糊去除效果
为了验证模型在真实场景中的恢复性能, 除了在数据集上进行对比实验外, 本文还在相机拍摄的真实模糊场
景中进行对比实验, 实验结果如图 9 所示. 通过对比真实场景下的恢复效果, 可以看到 PDBP-Net 在图像去运动模
糊领域具有强大的泛化性能, 本文模型无论是在纹理细节的恢复上, 还是在色彩和形状的保持上, 恢复效果都更贴
合人眼视觉感知. 具体地: 首先, PDBP-Net 对于文字恢复不会产生严重的边缘伪影 (图 9 中第 1 行和第 2 行), 线条
恢复也更生动, 其他模型在恢复文字、物体等纹理细节时缺乏模糊程度的指导, 往往表现不佳. 其次, 对于区域特
征变化幅度小的图像 (图 9 中第 3 行), PDBP-Net 也能够发现细小的模糊差异, 避免破坏原本图像中的非模糊位
置, 使得图像中线条恢复效果更流畅, 同时防止了过度恢复图像造成物体轮廓不清晰等问题. 其他模型由于缺乏模
糊感知的设计学习, 有的模型无法正常恢复清晰图像、有的模型则边缘恢复过度平滑, 甚至导致了物体色彩和形
状的失真形变, 严重影响了图像的视觉质量.

MIMO-UNet DMPHN Stripformer HINet

模糊图像 MPRNet Restormer Ours 模糊图像

MIMO-UNet DMPHN Stripformer HINet

模糊图像 MPRNet Restormer Ours 模糊图像

MIMO-UNet DMPHN Stripformer HINet

模糊图像 MPRNet Restormer Ours 模糊图像
图 9 真实模糊去除结果对比

3.3.3 失焦模糊去除效果
为了验证本文模型跨模糊类型的性能表现, 本节在 DPDD 数据集 [53] 上进行了失焦模糊的去除实验, 实验结果
如图 10 所示. 本文算法通过引入辅助学习方法重建了退化的高频细节, 在未引入任何失焦先验知识的情况下, 仍
有较强的恢复能力, 验证了本文方法的泛化性能. 具体地: 首先, 在文本复原任务中 (图 10 第 1 行), 本文模型在有效保