Page 441 - 《软件学报》2026年第5期

2320 软件学报 2026 年第 37 卷第 5 期

持清晰区域完整性的同时还能精准定位模糊区域并重建文字边缘结构, 其 PSNR 指标较模糊图像提升了 2.93 dB.
其次, 在人像恢复方面 (图 10 第 2 行), 由于模糊感知模块的指导, 本文模型成功解耦了散焦噪声与人脸特征, 避免
了常规方法中出现的五官畸变问题. 最后, 对于复杂物体场景 (图 10 第 3 行) 的海报复原, PDBP-Net 在细节保留、
色彩还原和边缘锐化等方面都表现出了更好的性能.

18.13 dB 17.50 dB 17.93 dB 17.74 dB 17.95 dB 17.96 dB 17.68 dB 21.06 dB 清晰图像

26.55 dB 24.62 dB 26.51 dB 25.21 dB 26.59 dB 26.61 dB 26.44 dB 28.57 dB 清晰图像

26.84 dB 25.94 dB 26.99 dB 26.63 dB 26.81 dB 26.99 dB 26.90 dB 27.44 dB 清晰图像
失焦图像 DMPHN HINet MIMO-UNet MPRNet Restormer Stripformer Ours
图 10 失焦去模糊 PSNR 结果对比

3.4 消融实验
本节通过多组实验来评估 PDBP-Net 中组件的有效性. 具体地, 本节验证了辅助学习、高频差异引导的模糊
感知模块 (BPGHD) 和傅里叶损失的有效性. 本节的消融实验在 GoPro 数据集上进行, 实验结果如表 3 所示.

表 3 PDBP-Net 在 GoPro 数据集上的消融实验

实验编号 双层网络 辅助学习任务 BPGHD 傅里叶损失 PSNR (dB) SSIM
a × × × × 32.85 0.960
b × √ × × 33.24 0.963
c √ √ × × 33.38 0.964
d √ √ √ × 33.58 0.965
e √ √ √ √ 33.61 0.966

3.4.1 辅助学习的有效性
为了验证辅助学习的有效性, 本文将通道为 32 的单层 NAFNet 网络作为模型的基线网络 (实验 a), 这意味着
基线网络中不会生成高频差异特征, 模型只是从图像中提取空间特征. 然后, 本文在单层网络中加入辅助学习任
务 (实验 b), 同时生成高频差异特征图和残差图. 正如预想的一样, 辅助学习方式可以有效提高模型的恢复能力.
相比于基线网络, 加入辅助学习方法的模型 PSNR 提升了 0.39 dB. 性能的提升是因为两个任务相辅相成, 从而能
够生成更符合人类视觉感知的去模糊图. 由此可见, 高频差异信息对于恢复边缘轮廓十分关键, 从而印证了辅助学
习的有效性.
3.4.2 BPGHD 模块的有效性
为了验证 BPGHD 模块的有效性, 本文在实验 b 的基础上加入了一个基线网络 (实验 c), 该基线网络的输入为
实验 b 中的两个输出: 初步恢复图和高频差异特征图. 然后, 在 HDIRG-net 和 BPGDR-net 之间加入 BPGHD 模块
(实验 d). 通过对比实验 c 和实验 d 的结果可以看到, 加入 BPGHD 模块后 PSNR 的指标提升了 0.2 dB. 这是由于