基于神经网络的图像盲复原研究综述.docVIP

基于神经网络的图像盲复原研究综述

图像作为信息传递的核心载体之一，在安防监控、医疗影像、自动驾驶、文化遗产数字化等领域承担着不可替代的作用。但在图像采集、传输与存储的全流程中，光学系统像差、拍摄时的运动模糊、大气湍流干扰、传感器噪声、压缩失真等各类退化因素不可避免，会导致图像分辨率下降、细节模糊、噪声叠加，严重降低图像的应用价值。图像复原技术的核心目标就是从退化后的观测图像中恢复出原始清晰图像，传统图像复原方法通常需要预先已知退化模型的具体参数（如模糊核类型、噪声强度等），这类方法被称为非盲复原。但在绝大多数实际场景中，退化过程的先验信息无法提前获取，因此不需要已知退化参数、仅依靠观测图像完成复原的盲复原技术，成为了计算机视觉领域长期以来的研究热点与难点。

早期传统图像盲复原方法主要依赖于对自然图像统计先验的人工建模，例如基于梯度稀疏性的总变差（TV）正则化方法、基于马尔可夫随机场的先验建模方法、以及基于稀疏编码的字典学习方法等。这类方法在简单退化场景（如均匀高斯模糊、低水平高斯噪声）下能够取得一定效果，但存在明显的局限性：一方面人工设计的先验难以覆盖自然图像复杂的纹理与结构特征，面对非均匀模糊、真实噪声、混合退化等复杂场景时恢复效果急剧下降；另一方面传统方法求解过程通常需要复杂的迭代优化，运行速度慢，无法满足实时性应用需求。2012年AlexNet在ImageNet图像分类任务上