INFWIDE: Image and Feature Space Wiener Deconvolution Network for Non-Blind Image Deblurring论文阅读

1. 研究目标与实际意义

1.1 研究目标

论文旨在解决低光环境下非盲图像去模糊的核心挑战：

• 复杂噪声：低光长曝光导致噪声违背传统高斯/泊松假设（如热噪声、暗电流噪声）。
• 饱和区域：高动态场景中过曝像素破坏线性卷积模型（式(2)），引发振铃伪影。

“Sophisticated noise and saturation regions are two dominating challenges…前者违反噪声假设，后者引入非线性”

1.2 实际意义

• 产业应用：提升手机摄影（手持夜景）、安防监控（低光场景）、医疗显微成像等领域的图像质量。
• 技术瓶颈突破：传统方法（如维纳滤波）在低光下失效，学习型方法缺乏真实噪声建模。

2. 创新方法与技术贡献

INFWIDE的核心创新在于将传统维纳反卷积的物理模型与深度学习的表征能力相结合，通过双分支架构和闭环正则化设计系统性地解决低光去模糊的挑战。

2.1 双分支维纳反卷积架构

graph LR  
A[低光模糊图像] --> B[图像分支:增强模块EM]  
A --> C[特征分支：特征模块FM]  
B --> D[图像空间维纳反卷积]  
C --> E[特征空间维纳反卷积]  
D & E --> F[多尺度交叉残差融合XRFM]  
F --> G[清晰图像]  

设计动机：

• 图像空间分支：显式修复饱和区域并抑制噪声（服从线性模型）
• 特征空间分支：恢复高频细节并抑制振铃伪影（Fig. 8h对比8c）

“Feature space deconvolution recovers details but fails in saturation; image branch compensates for this.”

2.1.1 图像空间分支（Image Space Branch）

• 增强模块（Enhancement Module, EM）

  • 结构：基于ResUNet（残差块替代标准卷积的U-Net）
  • 输入：模糊图像 $y$ + 噪声水平图（${\sigma }_n^2$ 由 $y$ 与其均值滤波结果差分估计）
  • 输出：修复的模糊图像 $\hat{y}$，满足 $\hat{y}\approx x\ast k$
  • 数学表达​​：$\hat{y}=\text{EM}(y,\text{noise map})$
  • 损失函数（式(8))：
    $${\mathcal{L}}_{\text{enhance}}=\frac{1}{N}\sum _{i=1}^N\left({\gamma }_1\Vert {\hat{y}}_i-x_i\ast k_i{\Vert }_1+{\gamma }_2\Vert {\hat{y}}_i-x_i\ast k_i{\Vert }_2+{\gamma }_3\Vert {\hat{y}}_i{\Vert }_{tv}\right)$$
    其中 ${\gamma }_1=0.5,{\gamma }_2=0.3,{\gamma }^{}$