一种用于遥感图像盲去模糊的多尺度广义收缩阈值网络

遥感图像对地球科学的诸多应用至关重要，但其质量常因传感器技术限制与复杂成像环境而退化。为此，已发展出多种遥感图像去模糊方法，以从退化的观测数据中恢复清晰高质量图像。然而，大多数基于传统模型的去模糊方法通常需要预定义的{手工}先验假设，难以应对复杂应用。另一方面，基于深度学习的去模糊方法常被视为黑箱，缺乏透明性与可解释性。本工作中，我们提出一种利用收缩阈值交替迭代的新型盲去模糊学习框架。该框架涉及模糊核与图像的更新，其网络设计具有理论基础。此外，我们提出可学习的模糊核近端映射模块，以提高模糊核重建精度。进一步，我们在图像域提出深度近端映射模块，将广义收缩阈值与多尺度先验特征提取块相结合。该模块还引入注意力机制以自适应学习先验信息的重要性，提升了先验项的灵活性与鲁棒性，并避免了类似手工图像先验项的局限。据此，我们设计了专注于学习深度几何先验特征以增强图像复原的新型多尺度广义收缩阈值网络（MGSTNet）。在真实与合成遥感图像数据集上的实验结果表明，我们的 MGSTNet 框架优于现有去模糊方法。