Page 442 - 《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 2321

BPGHD 模块可以有效融合上层子网络的两个输出, 同时生成模糊感知特征图精确指导下层子网络的恢复. 因此,
上述实验验证了 BPGHD 模块的有效性.
3.4.3 傅里叶损失的有效性
为了验证傅里叶损失的有效性, 本文在实验 d 的基础上加入了傅里叶损失做监督 (实验 e). 结果表明, 加入傅
里叶损失的方法的性能得到了进一步的提升. 这是由于傅里叶损失可以弥补 BPGDR-net 不能进行高频特征监督
的缺陷. 因此, 上述实验验证了傅里叶损失的有效性.

4 结 论

本文提出了模糊感知引导的渐进图像去模糊框架, 该框架旨在通过子网络和模块之间的相互配合实现对模糊
图像的精准恢复. 首先, 为了有效地学习清晰图像和模糊图像之间的高频差异特征, 本文提出了高频差异与图像残
差生成子网络, 该子网络能够同时生成高频差异特征图和初步恢复图, 为后续的去模糊处理提供了重要的先验信
息. 其次, 为了融合高频差异特征图和残差图, 本文设计了高频差异引导的模糊感知模块. 该模块能够有效地利用
高频差异信息, 使得网络更加关注模糊位置和程度, 从而生成了具有模糊感知的特征图. 最后, 在细节恢复阶段, 提
出了模糊感知指导的细节恢复子网络. 该子网络在模糊感知特征的指导下, 对图像进行精细化的去模糊处理, 以恢
复高质量的清晰图像. 通过有机结合上述子网络和模块, 本文方法能够实现对模糊图像的全面、精准恢复. 为了验
证该方法的优越性, 我们进行了广泛的定量和定性评估. 实验结果表明, 与最先进的方法相比, 本文方法取得了最
优的去模糊效果. 综上所述, 所提方法能够提升图像去模糊处理的性能, 具有较好的实用性, 为图像去模糊领域的
研究提供了不同的思路和方法.
在未来的研究工作中, 我们将深入探讨频域中不同频段的特征对图像去模糊的影响机制. 此外, 轻量化的图像
去模糊方法也是一个值得探索的研究方向.

References
[1] Chan TF, Wong CK. Total variation blind deconvolution. IEEE Trans. on Image Processing, 1998, 7(3): 370–375. [doi: 10.1109/83.
661187]
[2] Levin A, Weiss Y, Durand F, Freeman WT. Understanding and evaluating blind deconvolution algorithms. In: Proc. of the 2009 IEEE
Conf. on Computer Vision and Pattern Recognition. Miami: IEEE, 2009. 1964–1971. [doi: 10.1109/CVPR.2009.5206815]
[3] Krishnan D, Fergus R. Fast image deconvolution using hyper-Laplacian priors. In: Proc. of the 23rd Int’l Conf. on Neural Information
Processing Systems. Vancouver: Curran Associates Inc., 2009. 1033–1041. [doi: 10.5555/2984093.2984210]
[4] Tang S, Wan SD, Yang SL, Xie XZ, Xia M, Zhang X. Spatial-scale-information method for motion blur kernel estimation. Ruan Jian Xue
Bao/Journal of Software, 2019, 30(12): 3876–3891 (in Chinese with English abstract). http://www.jos.org.cn/1000-9825/5587.htm [doi:
10.13328/j.cnki.jos.005587]
[5] Jiang XL, Wang L, Luo XY, Wang SC, Luo SW. Forward-motion blurring kernel based on generalized motion blurring model. Ruan Jian
Xue Bao/Journal of Software, 2016, 27(8): 2135–2146 (in Chinese with English abstract). http://www.jos.org.cn/1000-9825/4864.htm
[doi: 10.13328/j.cnki.jos.004864]
[6] Li GP, Lu Y, Wang ZJ, Wu ZW, Wang SZ. Blurred image blind super-resolution network via kernel estimation. Acta Automatica Sinica,
2023, 49(10): 2109–2121 (in Chinese with English abstract). [doi: 10.16383/j.aas.c200987]
[7] Wen F, Ying RD, Liu YP, Liu PL, Truong TK. A simple local minimal intensity prior and an improved algorithm for blind image
deblurring. IEEE Trans. on Circuits and Systems for Video Technology, 2020, 31(8): 2923–2937. [doi: 10.1109/TCSVT.2020.3034137]
[8] Bai YC, Jia HZ, Jiang M, Liu XM, Xie XD, Gao W. Single-image blind deblurring using multi-scale latent structure prior. IEEE Trans.
on Circuits and Systems for Video Technology, 2019, 30(7): 2033–2045. [doi: 10.1109/TCSVT.2019.2919159]
[9] Mao XT, Liu YM, Liu FZ, Li QL, Shen W, Wang Y. Intriguing findings of frequency selection for image deblurring. In: Proc. of the 37th
AAAI Conf. on Artificial Intelligence. Washington: AAAI, 2023. 1905–1913. [doi: 10.1609/aaai.v37i2.25281]
[10] Fang ZX, Wu FF, Dong WS, Li X, Wu JJ, Shi GM. Self-supervised non-uniform kernel estimation with flow-based motion prior for blind
image deblurring. In: Proc. of the 2023 IEEE/CVF Conf. on Computer Vision and Pattern Recognition. Vancouver: IEEE, 2023.
18105–18114. [doi: 10.1109/CVPR52729.2023.01736]
[11] Ren DD, Li JB. Methods of image restoration and object detection in low-light environment. Ruan Jian Xue Bao/Journal of Software,