基于深度残差先验的不确定性感知无监督图像去模糊?

在精确的模糊核假设下，非盲去模糊方法具有良好的性能。由于核不确定性(即核误差)在实际中是不可避免的，建议通过引入核误差(或诱导误差)的先验来进行半盲去模糊处理。然而，如何为内核(或诱导)误差设计一个合适的先验仍然是一个挑战。结合领域知识的手工先验通常表现良好，但当内核(或诱导)错误很复杂时，可能导致性能不佳。数据驱动先验过于依赖于训练数据的多样性和丰富性，容易产生偏离分布的模糊和图像。为了解决这一挑战，我们提出了一个由定制的未经训练的深度神经网络表示的核诱导误差(称为残差)的无数据集深度残差先验，这使我们能够灵活地适应真实场景中不同的模糊和图像。通过有机地整合深度先验和手工先验的各自优势，提出了一种从模糊图像和不准确的模糊核中恢复清晰图像的无监督半盲去模糊模型。为了求解该模型，提出了一种高效的交替最小化算法。

大量的实验表明，与模型驱动和数据驱动的方法相比，该方法在图像质量和对不同类型核误差的鲁棒性方面具有良好的性能

3方法

在本文中，我们提出了一个由定制的未经训练的深度神经网络表示的残差的无数据集深度先验，使我们能够灵活地适应真实场景中不同的模糊和图像。通过有机地整合深度先验和手工先验的各自优势，提出了一种从模糊图像和模糊核中恢复清晰图像的无监督半盲去模糊模型。