基于渐进式学习的图像去模糊方法结题报告.docVIP

基于渐进式学习的图像去模糊方法结题报告

一、研究背景与问题提出

在数字图像采集与传播过程中，图像模糊是一种普遍存在且难以避免的质量退化问题。其成因复杂多样，既包括拍摄时的设备抖动、曝光时间过长、拍摄主体快速移动等动态因素，也涵盖了镜头光学缺陷、大气散射、图像压缩失真等静态干扰。据行业统计，超过60%的民用数码照片存在不同程度的模糊现象，在安防监控、自动驾驶、医疗影像等专业领域，图像模糊更是直接影响着决策判断与系统性能。

传统图像去模糊方法主要分为基于模型优化和基于深度学习两大类。基于模型优化的方法通过建立模糊核函数，利用逆滤波、维纳滤波等算法进行图像复原，但这类方法对模糊核的准确性依赖极高，实际场景中模糊核的不确定性往往导致复原效果大打折扣，甚至出现振铃伪影。基于深度学习的方法虽然通过大规模数据训练实现了端到端的去模糊，但其通常采用单阶段网络结构，直接从模糊图像映射到清晰图像，忽略了模糊程度的层次性与多样性。面对复杂真实场景中的混合模糊，单阶段网络容易出现过拟合或欠拟合问题，难以在不同模糊程度的图像上保持稳定的复原性能。

针对上述问题，本研究提出基于渐进式学习的图像去模糊方法，通过模拟人类视觉系统从粗到细的认知过程，将复杂的去模糊任务拆解为多个渐进式的子任务，逐步实现图像清晰度的提升，从而有效应对真实场景中多样化的模糊类型与程度。

二、渐进式学习去模糊方法的核心原理

2.1渐进式