迈向可泛化的去模糊：利用线性注意力的大规模模糊先验应对真实世界场景
计算机视觉与模式识别
2026-01-13 v1
摘要
图像去模糊随着深度学习的发展取得了快速进步，但大多数方法在其训练数据集之外表现出较差的泛化能力，在真实世界场景中性能显著下降。我们的分析表明，这种局限性源于两个因素：数据集在真实性和覆盖多样化模糊模式之间存在固有的权衡；算法设计仍然具有限制性，因为像素级损失驱使模型关注局部细节恢复而忽视结构和语义一致性，而基于扩散的方法虽然在感知上很强，但在使用简单策略的狭窄数据集上训练时仍然无法泛化。通过系统研究，我们确定模糊模式的多样性是鲁棒泛化的决定性因素，并提出了模糊模式预训练（BPP），该方法从模拟数据集中获取模糊先验，并通过在真实数据上进行联合微调来迁移这些先验。我们进一步引入了运动与语义引导（MoSeG）来增强严重退化下的模糊先验，并将其集成到GLOWDeblur中，这是一个可泛化的真实世界轻量级去模糊模型，它结合了基于卷积的预重建与域对齐模块以及一个轻量级扩散主干。在六个广泛使用的基准和两个真实世界数据集上的大量实验验证了我们的方法，确认了模糊先验对于鲁棒泛化的重要性，并证明了GLOWDeblur的轻量级设计确保了在真实世界应用中的实用性。项目页面可在https://vegdog007.github.io/GLOWDeblur_Website/获取。
引用
@article{arxiv.2601.06525,
title = {Toward Generalizable Deblurring: Leveraging Massive Blur Priors with Linear Attention for Real-World Scenarios},
author = {Yuanting Gao and Shuo Cao and Xiaohui Li and Yuandong Pu and Yihao Liu and Kai Zhang},
journal= {arXiv preprint arXiv:2601.06525},
year = {2026}
}
备注
19 pages, 14 figures, 6 tables