yangqoor的博客

提出双生成器先验框架图像生成器GIG_IGI​：预训练GAN/VAE，映射潜变量ziz_izi​到清晰图像空间RangeGIRangeGI​。模糊核生成器GKG_KGK​：预训练VAE，映射zkz_kzk​到模糊核空间RangeGKRangeGK​。通过约束解空间为生成器范围，将病态问题转化为可优化问题。

概率化DIP：首次将DIP输出扩展为概率分布EIsSIsEIs​SIs​))自适应先验：通过变分参数ξxξyξx​ξy​实现梯度敏感的正则强度理论完备性：建立基于变分贝叶斯的优化框架，避免启发式设计灵活扩展：支持多种显式先验的即插即用采样优化：蒙特卡洛采样解决概率模型的反向传播问题。

Sophisticated noise and saturation regions are two dominating challenges…前者违反噪声假设，后者引入非线性”核心创新：特征空间维纳反卷积抑制伪影 + 图像空间物理修复饱和区 + 多尺度融合实现优势互补。相结合，通过双分支架构和闭环正则化设计系统性地解决低光去模糊的挑战。：频域操作抑制振铃效应（对比 Fig. 8c）INFWIDE的核心创新在于将。，规避饱和区非线性影响。

论文旨在解决反向图像滤波（Reverse Image Filtering）问题：给定输出图像 y=f(x)y = f(x)y=f(x) 和黑盒滤波器 f(⋅)f(\cdot)f(⋅)，仅通过多次调用 f(⋅)f(\cdot)f(⋅) 重构输入图像 xxx。核心挑战是：论文提出三层次Landweber变体，构成完整反向滤波框架：标准Landweber迭代正则化扩展加速策略TV正则化相位校正Nesterov加速2.2 标准Landweber迭代（频域实现）2.2.1 数学模型推导从最小二乘能量函数出发：

导致的图像复原质量问题。核心问题在于：当模糊核估计存在误差时（即。(*注：Pan核下与[7]持平，但[7]为监督方法需训练数据)），传统非盲去模糊方法会引入伪影和失真。在Levin数据集上，PSNR平均提升。建模核误差诱导的残差。目标函数整合三类先验。

框架，通过结合维纳去卷积（Wiener Deconvolution）和深度图像先验（DIP），解决了传统DIP方法在盲图像去卷积中的不稳定性问题。（Blind Image Deconvolution）问题，即在未知模糊核（kernel）的情况下，从模糊图像中恢复清晰图像。关键创新在于引入维纳去卷积模块（右下）生成引导目标，约束CNN生成的清晰图像。（维纳去卷积引入的高频伪影会被DIP延迟拟合，而低频特征（如边缘）被优先保留）：DIP直接处理模糊图像（上）和伪影图像（下）的结果对比。红色变量为优化目标。

研究目标：论文旨在解决低光条件下（如摄影、显微镜、天文学等场景）的图像去模糊问题。此类场景中，图像受光子散粒噪声（Photon Shot Noise） 影响严重，导致传统去模糊方法失效。实际问题：产业意义：传统 Plug-and-Play (PnP) 框架采用双变量分割（xxx 和 zzz），但泊松似然项 −yTlog⁡(αHx)+α1THx-y^T \log(\alpha H x) + \alpha \mathbf{1}^T H x−yTlog(αHx)+α1THx 无法直接求闭式解。论文创新性地引入

fill:#333;color:#333;color:#333;fill:none;黑盒滤波器 f频域方法空域方法pcVC:相位校正mLM:收敛保障mW:加权核更新aL:梯度近似mRL:双步反向更新方法核心创新最佳场景性能数据局限pcVC相位校正（式7）非对称运动模糊PSNR=28.64 dB（表1）需估计噪声方差mLM收敛性保障（式12）高斯模糊+高斯噪声PSNR=26.73 dB（表1）对泊松噪声敏感mW核估计加权平均（式14）泊松噪声。

方法核心贡献优势退化模型重构转移核估计至LR空间（式6）避免混叠效应，提升核估计精度DDLK多层线性卷积生成等效核（式8）提供无限等效解，提升估计鲁棒性（表4）DCLS特征空间约束最小二乘去模糊（式16）保留核空间结构，抑制噪声（表6,7）DPAN双路特征融合 + 通道注意力补偿去模糊误差，增强细节恢复（图6,9）创新性总结退化重构：首次将模糊核估计从HR空间转移至LR空间，解决混叠问题。DDLK：利用深度线性网络的无限等效解特性，提升核估计稳定性。DCLS。

模块传统方法局限NBDN创新量化增益信心图 (CEU)[7]依赖残差阈值，误检边缘（图5b）端到端学习饱和区域特征（图5d）PSNR↑1.61 dB（表3）超参数 (HPEU)[28]固定λ\lambdaλ，噪声适应性差ConvGRU动态预测λtλt（噪声↑→λ\lambdaλ↑）PSNR↑1.22 dB（表4）优化器FFT因M∘M \circM∘失效可微分CG层（支持哈达玛积）15次迭代收敛（表6）

传统正则化器（如平滑性或稀疏性假设）难以捕捉复杂图像先验，而数据驱动方法需大量样本学习完整图像空间。NN 通过显式结合前向算子。的端到端数据驱动方法，用于解决成像中的线性逆问题（如去模糊、解卷积、修复、压缩感知和超分辨率）。：提升图像重建质量（如医学影像诊断精度），降低深度学习对数据量的依赖，加速实时成像应用（如 MRI 重建）。直接求解带非线性正则化器的逆问题，而非展开迭代优化算法。，显著降低样本复杂度，适用于医学成像等小数据集场景。图2：Neumann 网络架构（跳跃连接为红色路径）

全参数化优化器首次将梯度下降中数据项、先验项、步长控制全部参数化（公式6）。子网络H⋅H⋅隐式替代噪声参数λ\lambdaλ，实现去卷积。循环架构设计GDU单元共享参数，减少模型复杂度（仅需训练单一模块）。

理论层面：将维纳反卷积从图像空间推广到深度特征空间，通过公式8实现自适应频域滤波；技术层面动态噪声估计机制（sinsixsin​six​），摆脱噪声预设依赖；多尺度细化网络（公式9）渐进重建高频细节；架构层面：端到端联合优化特征提取、反卷积、重建模块，提升整体一致性。

研究目标：本文旨在解决深度学习方法在图像恢复任务中的两大痛点：实际意义：图像恢复（如去模糊、去噪、超分辨率）是医疗影像、安防监控、遥感等领域的核心需求。传统方法依赖预训练模型，泛化能力差且计算成本高。本文提出的 BP-DIP 方法仅需单张退化图像，无需预训练，显著提升工业场景的灵活性和效率。BP-DIP的核心创新在于将Deep Image Prior (DIP) 的架构先验与Backprojection (BP) 保真项的理论优势相结合，并通过TV正则化增强鲁棒性。以下从框架设计、频域实现、正则化增强三

Xu et al. (2014) 通过融合传统反卷积理论与深度学习，提出了一种创新的可分离核驱动的DCNN架构，显著提升了复杂退化场景下的图像恢复性能。理论创新：伪逆核的可分离分解为网络设计提供理论支撑。工程突破：两阶段训练策略（初始化 + 微调）解决网络优化难题。性能优势：定量（PSNR）与定性（视觉质量）全面超越SOTA。

理论框架创新：首将EIV模型引入非盲去模糊，建立min⁡xu\min_{x,u}minxu​联合优化目标结构设计创新DP-Unet双路径融合残差与图像信息多阶段历史输入（Dn-CNN）缓解梯度消失数据生成创新：可控核噪声合成算法覆盖真实误差模式本文方法通过EIV建模 → TLS优化 → 深度学习展开三阶段创新，首次系统解决了非盲去模糊中的核误差问题。理论层面：将核误差显式定义为可优化变量uΔKxuΔK​x；结构层面：设计双路径DP-Unet融合残差与图像信息；

论文旨在解决**噪声盲图像去模糊（Noise-blind Image Deblurring）**问题，即在噪声水平未知且随图像变化的情况下，从模糊图像中恢复清晰图像。传统方法通常需要已知噪声水平以调整参数，而本文提出一种通用模型，无需噪声水平信息即可处理不同噪声强度的图像。实际场景中，噪声水平往往未知且变化，传统方法需额外噪声估计步骤，效率低且易累积误差。（Variational Expectation-Maximization, VEM）的迭代框架，将噪声水平估计（），交替执行E-step（更新。

（bicubic degradation）设计，但在实际场景中，低分辨率（LR）图像可能由任意模糊核（如运动模糊、散焦模糊）退化生成。论文提出一种新的降质模型和优化框架，使SISR方法能够灵活处理任意模糊核的LR图像。（式(7)通过频域专用模块解决模糊失真，式(8)利用DNN超分辨先验——二者解耦实现高效协同。论文旨在解决传统基于深度神经网络（DNN）的单图像超分辨率（SISR）方法在处理。：将任意预训练的DNN超分辨模型（如SRResNet）作为即插即用先验模块。：在频域中融合观测图像。

创新思想：将方位维回波重构为「脉冲压缩问题」，需主动调制波束方向图使其具备「宽频带」特性。通过阵列激励调制，在主瓣内引入二次相位变化，定义调频波束（Chirp Beam）数学定义Echirpφϕrectφ−ϕΦ0exp⁡j2πKa2φ−ϕ2Echirp​φϕrectΦ0​φ−ϕ​expj2π2Ka​​φ−ϕ2φ\varphiφ：目标方位角ϕ\phiϕ：波束指向角（扫描变量）Φ0\Phi_0Φ0​。

现有积雪监测技术（如光学遥感、单站SAR）受限于云层遮挡、空间分辨率不足或无法穿透雪层，难以精确获取雪水当量（SWE）、密度和分层结构，影响水资源管理和雪崩预测。：提出一种基于便携式双站MIMO雷达的低复杂度迭代方法，反演多层积雪剖面的介电常数垂直分布，解决传统单站雷达在雪层穿透深度和分辨率上的局限。：法国阿尔卑斯Col de Porte（图4），积雪厚度1.5m，含融化形态雪、冰层。（表1）：C波段（5.52 GHz），带宽1.84 GHz →。），再折射至接收天线（高度。：波从发射天线（高度。

Deep Decoder（红点）在高压缩比下 PSNR 更优。（under-parameterization）和。实现图像的高效表示。网络输入为一个固定随机张量。图 4：去噪机理对比（DD vs. DIP）表 1：逆任务性能对比（PSNR, dB）是一种非卷积神经网络，其核心目标是通过。论文旨在提出一种名为。图 1：压缩性能对比。

yck∗xn(式1)y = c(k * x) + n \qquad \text{(式1)}yck∗xn式1)其中yyy为模糊图像，xxx为潜在清晰图像，kkk为模糊核，nnn为噪声，c⋅c(\cdot)c⋅为相机非线性响应函数。在频域中，清晰图像可通过伪逆核k†k†xk†∗y(式3)x = k^{\dagger} * y \qquad \text{(式3)}xk†∗y式3)k†k†k†USV。

研究目标：论文旨在证明卷积神经网络（Convolutional Neural Networks, ConvNets）的架构本身（而非通过数据学习）能够捕获图像的底层统计先验（low-level image statistics），从而解决图像逆问题（如去噪、超分辨率、修复等）。解决的实际问题：传统方法依赖大量数据训练模型以学习图像先验，而本文提出了一种无需预训练的解决方案，直接利用随机初始化的网络结构作为手工先验（handcrafted prior）。这对以下场景具有重要意义：产业意义：本部分将深入解析

公式表达式含义Eq.14∇prior⁡x1σ2rσx−x∇priorxσ21​rσ​x−xDAE残差与分布梯度的等价性Eq.22data⁡x−N2log⁡∣y−k∗x∣2Mσ2∣k∣2datax−2N​log∣y−k∗x∣2Mσ2∣k∣2噪声盲数据项Eq.17∇prior⁡Lsx2σ2rσ2xη2−x∇priorLs。

研究目标：论文旨在提升非盲目图像反卷积（non-blind image deconvolution）的效率和质量。具体目标是通过优化基于快速傅里叶变换（FFT） 的方法，解决大尺寸图像（兆像素级）处理中的计算效率和边界伪影问题。解决的实际问题：产业意义：论文提出 傅里叶解卷积网络（Fourier Deconvolution Network, FDN），核心公式如下：xt+1=F−1(F(k⊛φt(y,k,xt)+1ωt(λ)ϕtCNN(xt))∣F(k)∣2+1ωt(λ)∑i∣F(fit)∣2)(16)

物理指导的深度学习将半二次分裂优化嵌入网络架构（公式3→6）FCNN仅在梯度域学习残差（避免端到端黑箱）频域-空间域协同fill:#333;color:#333;color:#333;fill:none;模糊图像傅里叶解卷积梯度计算FCNN梯度去噪更新指导梯度可学习超参数机制γλ2βγλ2β作为网络参数通过公式10实现梯度反向传播迭代精炼架构三阶段逐步优化（PSNR提升0.32dB/1%噪声）各阶段独立参数增强表达能力。

公式含义论文编号代码对应(5)HQS分裂后的目标函数理论基础迭代循环框架(7)保真项子问题的闭式解（FFT加速）理论推导(9)去噪子问题的等价表示核心创新(10)CNN去噪器的残差学习损失函数训练策略预训练模型生成。

模型与算法统一：将优化步骤嵌入随机场架构，避免迭代计算。频域加速：DFT实现闭式解，复杂度降至ODlog⁡DODlogD。非单调可学习收缩函数：突破传统势函数单调性限制（公式9）。级联贪婪训练：3-4阶段即收敛，平衡效率与质量。该框架为高分辨率图像实时处理（如手机摄影、医疗成像）提供了可扩展的解决方案。

框架设计：预去卷积（维纳滤波）降低输入方差 → 网络泛化性提升。网络结构：长短跳跃连接平衡全局色彩与局部细节。正则化策略：稀疏梯度先验提升模型鲁棒性。

（Non-blind Deblurring）问题，即在已知模糊核（Blur Kernel）的前提下恢复清晰图像。传统方法依赖手动设计的先验模型（如稀疏MRF）或计算昂贵的生成模型，限制了恢复质量与效率。，通过级联回归树场（RTF）模型直接预测去模糊结果，实现高效、高质量的去模糊。: 三级RTF级联流程（实际使用六级），前级输出作为后级输入特征。为解决直接从模糊图像回归参数的困难，提出。RTF级联（下）支持大范围特征回归。，计算昂贵（Eq. (4)-(5)）：作者提出绕过迭代优化，直接回归。

（space-invariant non-blind deconvolution）问题，即在已知模糊核（PSF）的前提下，从模糊图像中恢复清晰图像。：图像因运动模糊、失焦模糊等退化，导致信息丢失。学习去伪影过程，直接建模图像退化过程，同时解决噪声着色和图像信息损坏问题（§3.2）。：与传统两步法（如IDD-BM3D）依赖手工设计去噪算法不同，本文通过。右：本文方法（细节更清晰）。：MLP在5类场景下全面超越SOTA，最高提升0.5dB（表1）。：本文方法在所有场景下PSNR优于对比算法（正值表示优势）。

学习K200K=200K200个高斯分量，覆盖纹理、边缘等结构，模型形式pz∑k1KπkNz∣0Σkpzk1∑K​πk​Nz∣0Σk​K200K=200K200：混合分量数πk\pi_kπk​：分量权重Σk\Sigma_kΣk​：协方差矩阵（尺寸64×6464\times6464×64训练细节数据集：Berkeley分割库（50,000个8×88\times88×8块，DC分量移除）

通过。

分裂策略：将非凸问题分解为凸（FFT求解）+非凸（像素级求解）子问题w子问题加速LUT实现O1O(1)O1复杂度单像素求解解析解实现α1223α1/22/3的精确高效计算参数调度β\betaβ指数增长平衡收敛速度与精度工程优化：预计算分母项、持久化LUT存储减少重复计算。

偏差累积事件表示（Deviation Accumulation, DA）：重新定义事件数据预处理，增强运动模式感知。循环运动提取模块（Recurrent Motion Extraction, RME）：多尺度运动特征提取机制。特征对齐与融合模块（Feature Alignment and Fusion, FAF）：解决事件与图像模态不一致性问题。组件传统方法缺陷本文创新点性能提升DA忽略事件顺序和绝对光强累积偏差保留历史事件影响PSNR↑0.26dB（表2）RME单尺度运动建模不足。

提出一种结合陀螺仪（gyro）传感器的单图像去模糊方法。核心目标是利用陀螺仪数据提供的相机运动信息，缓解传统去模糊方法的。(b) 陀螺数据（红）与模糊轨迹不匹配；：直接使用噪声陀螺数据训练易导致网络忽略陀螺输入（表2-b）。可变（与曝光时间成正比），通过三次样条插值降采样至。：校正陀螺数据中的全局误差（噪声、旋转中心偏移）。：利用精炼陀螺特征去除空间变异模糊（含动态物体）。性价比最优（PSNR饱和，内存翻倍）。为卷积权重，GAP为全局平均池化。，提升模糊图像的恢复质量。），确保时间中心对称。

论文旨在解决高分辨率图像去模糊任务中 Transformer 架构计算成本过高的问题，同时克服传统 CNN 感受野有限的缺陷。核心目标是设计一种轻量化的纯卷积网络（CNN），在保持高效性的同时实现与 Transformer 相当的性能。图 2：LaKDNet 架构论文提出 LaKD（Large Kernel Depth-wise）模块，核心创新在于：整体结构为 4 层编码器-解码器（U-Net 架构），每层含 N 个 LaKD 模块（图 2）：关键公式（对应论文公式 1-3）：特征混合递归计算：zk+1

1.1 核心问题论文旨在解决机载平面阵列雷达在三维前视成像中方位-俯仰分辨率不足的问题。传统方法（如2D-FFT）受限于天线物理孔径和傅里叶变换的旁瓣效应，导致相邻目标在方位和俯仰方向难以分辨。本文提出一种基于二维迭代自适应方法（2D Iterative Adaptive Approach, 2D-IAA）的算法，通过单快照超分辨估计提升分辨率。1.2 产业意义提出 基于2D-IAA的三维前视成像算法，核心流程分为三阶段：误差函数（式(9))：E=(y−Aσ)HW(y−Aσ)E = (y - A\sig

精准建模：瑞利似然匹配海杂波 + 对数正态先验匹配目标统计特性；高效求解：通过贝叶斯MAP推导闭式迭代更新公式(20)；性能优势：在提升分辨率（可达1°内目标分离）的同时，保持低SCR下的鲁棒性（对比实验SCR=10dB时GSMAP出现虚警而RLGMAP稳定）。此方法为实波束雷达对海成像提供了统计特性驱动的超分辨新范式。

方法，用于去除静态场景图像中由相机抖动引起的。本文结果（最右列）纹理更清晰，伪影更少。论文旨在开发一种无需数据集的。