DeepRFTv2：基于卷积核级学习的图像去模糊
计算机视觉与模式识别
2025-11-27 v1
摘要
众所周知，如果网络旨在学习如何去除模糊，其应该理解模糊过程。模糊自然由锐利图像与模糊核的卷积引起。因此，允许网络在卷积核级学习模糊过程可显著提高图像去模糊性能。然而，当前的深度网络仍处于像素级学习阶段，或执行端到端的像素级恢复或阶段性的伪卷积核级恢复，未能使去模糊模型理解模糊的本质。为此，我们提出了傅里叶卷积核估计器（FKE），该估计器考虑了傅里叶空间中的激活操作，将空间域中的卷积问题转换为傅里叶空间中的乘法问题。我们的FKE与去模糊模型联合优化，使网络能够在卷积核级以低复杂度学习模糊过程，且无需额外监督。此外，我们将卷积对象的更改从“图像”改为网络提取的“特征”，其丰富的语义和结构信息更适合模糊过程学习。通过特征与估计卷积核的卷积，我们的模型可以在卷积核级学习模糊的本质。为进一步提高特征提取效率，我们设计了一种解耦的多尺度架构，包含多个具有可逆策略的层次子网络，允许在较低的训练内存中进行更好的多尺度编码和解码。大量实验表明，我们的方法在运动去模糊方面实现了最先进的效果，并显示出处理其他与卷积核相关问题的潜力。分析还显示，我们的卷积核估计器能够学习物理上有意义的卷积核。代码将在 https://github.com/DeepMed-Lab-ECNU/Single-Image-Deblur 上提供。
引用
@article{arxiv.2511.21132,
title = {DeepRFTv2: Kernel-level Learning for Image Deblurring},
author = {Xintian Mao and Haofei Song and Yin-Nian Liu and Qingli Li and Yan Wang},
journal= {arXiv preprint arXiv:2511.21132},
year = {2025}
}