利用残差密集网络的运动模糊复原方法

林椹尠，张梦凯，吴成茂

（1. 西安邮电大学 理学院，陕西 西安 710121; 2. 西安邮电大学 通信与信息工程学院，陕西 西安 710121; 3. 西安邮电大学 电子工程学院，陕西 西安 710121）

由于相机抖动、环境干扰或者物体运动等诸多因素的影响，都会导致生成的图像产生运动模糊[1]。在刑侦、医疗、军事等图像应用领域，需要高质量的图像，而图像的获取却不容易，因此对目标图像复原，是计算机视觉研究领域中一个重要的研究方向[2]。

图像复原的目的是去除模糊和干扰，得到尽可能接近理想图像的复原图像。传统的图像复原方法假设退化模型已知或者可以通过简单的计算得到点扩散函数，利用已知信息有针对性地进行复原。但是在现实生活中，图像退化过程受到各种因素的影响，造成图像退化的结果也不尽相同，因此点扩散函数无法精确得到，所以传统的图像复原方法不能很好地解决图像复原问题。

近几年，计算机视觉领域广泛应用深度学习的方法，并且取得了惊人的成果。Zhou等[3]首次将神经网络用于图像复原，提出了基于离散Hopfield神经网络的图像复原模型；Jain等[4]将卷积神经网络用于图像去噪，证明了卷积神经网络可以直接学习从低质量图像到清晰图像的端到端的非线性映射，能够较好地复原图像；Huang等[5]提出了密集网络(DenseNet)模型，DenseNet能够以连接模式连接密集单元中的任意2个卷积层，实现了特征重用及信息传递，为图像复原提供了新的思路；Zhang等[6]首次将残差学习和批处理归一化引入图像复原，提出去噪卷积神经网络(DnCNN)，该网络可训练单一的网络模型进行盲去噪，比针对特定噪声水平训练的方法有更好的性能。……