一种非对称的轻量级图像盲去模糊网络

张玉波 王建阳 韩爽 王冬梅

摘要： 针对现有图像去模糊算法存在细节模糊不清、 計算资源占用较大且图像处理速度较慢等问题，提出一种轻量级的图像盲去模糊网络. 首先，网络主体使用多尺度架构，将不同分辨率的图像输入网络，通过循环处理逐步优化细节; 其次，设计非对称结构以加强编码器的特征提取能力和解码器的特征融合能力. 在编码器中，提出混合多尺度卷积层和残差金字塔模块，以强化特征提取并减少网络的参数量; 在解码器阶段，使用跳跃连接引入深层语义，并提出多尺度联合结构损失函数进行优化. 最后，在两个广泛使用的数据集GoPro和Kohler上使用两种评价指标，将该方法与其他经典方法进行性能对比. 实验结果表明，该网络的去模糊效果优于传统方法以及其他经典深度学习方法，不仅在峰值信噪比（PSNR）和结构相似性（SSIM）上均有一定提升，且处理时间更短.

关键词： 图像处理； 盲去模糊； 金字塔结构； 多尺度网络

中图分类号： TP391.41; TP183  文献标志码： A  文章编号： 1671-5489（2023）02-0362-09

An Asymmetric Lightweight Image Blind Deblurring Network

ZHANG Yubo，WANG Jianyang，HAN Shuang，WANG Dongmei

（School of Electrical & Information Engineering，Northeast Petroleum University，Daqing 163318，Heilongjiang Province，China）

收稿日期： 2022-01-04.

第一作者简介： 张玉波（1982—），女，汉族，硕士，副教授，从事人工智能、 深度学习和图像处理的研究，E-mail： zhangyubo@nepu.edu.cn.

通信作者简介： 王建阳（1997—），男，汉族，硕士研究生，从事图像处理的研究，E-mail： wjy971013@163.com.

基金项目： 黑龙江省自然科学基金（批准号： LH2022F005）和东北石油大学引导基金（批准号： 15071202202）.

Abstract： Aiming at  the problems of blurred details，large computer resource occupation，and slow image processing for the existing image deblurring algorithms，

we proposd a lightweight image blind deblurring network. Firstly，the main framework of the network used a multi-scale architecture to input images of different resolutions into the network，

and gradually optimized the datails through cyclic processing.  Secondly，the asymmetric structure was designed to enhance the feature extraction

ability of the encoder and the feature fusion ability of decoder. In the encoder，the mixed multi-scale convolutional layer and residual pyramid module were proposed to enhance feature

extraction and  reduce the number of network parameters. In the decoder stage，deep semantics were introduced  by using jump linkage，and the multi-scale joint struc

ture  loss function was proposed for optimization. Finally，we used two evaluation indicators to compare the performance of the method with the other classical methods on two widely used

GoPro and Kohler datasets. The experimental results show that the effect of the network  is better than that of the traditional methods and other classical deep learning mehtods.

It not only improves the peak signal-to-noise ratio （PSNR） and structural similarity （SSIM），but also shortens the processing time.

Keywords： image processing; blind deblurring; pyramid structure; multi-scale network

近年来，随着影像技术的不断发展，图像所承载的信息量也越來越大，在地质勘探、 天文航空、 交通医疗等领域尤为突出，因此获得一张清晰无误的图像十分重要. 而图像去模糊技术可很好地提升图像的质量，并复原图像的缺失信息［1-4］. 图像去模糊任务是从一张模糊的图像中复原出清晰的图像，并尽可能真实地复原图像细节. 其中，根据复原任务中的模糊核是否已知，可将其分为盲去模糊和非盲去模糊两类.

早期的研究主要是非盲去模糊任务，即在已知模糊核的情况下使图像清晰化. 但在实际应用中，大多数情况下图像的模糊核未知. 盲去模糊需要对模糊核进行计算估计，从而将图像去模糊问题转化为模糊核的计算问题，该类问题常利用原始图像中的图像先验信息进行计算，从而迭代估计出模糊核.

传统的去模糊常用方法包括Wiener滤波、 最大似然估计、 基于正则化等. 如Tai等［5］提出的逻缉回归（logistic-regression，L-R）算法通过对原始图像的模糊分布进行估计，将加性噪声设为零，迭代计算其收敛的最大似然解，最终将图像去模糊化，该方法在早期研究中应用广泛; Li等［6］则使用Wiener滤波的方法解决了旋转模糊问题，通过将滤波后的图像利用模糊原理对原图像进行填充，实现旋转图像的模糊复原; 谭海鹏等［7］使用正则化方法对图像进行处理，通过设计图像金字塔将模糊图像在系统中反复处理，可很好地对遥感图像进行处理. 此外，非盲去模糊还有利用暗通道先验、 稀疏先验等方法，但由于该类方法基本依赖于图像的有限处理计算模糊核，因此会产生许多多余的纹理细节，如常见的振铃效应等.

随着计算机硬件技术的发展，深度学习技术发展较快，卷积神经网络（convolutional neural network，CNN）被广泛应用于图像去模糊任务中，并展示了极大的优越性［8-11］.

Sun等［12］利用卷积网络反向计算出图像的模糊核，并利用其进行图像复原，与传统方法相比取得了更好的去模糊效果； Nah等［13］搭建了一种从粗到细的多尺度卷积框架对图像进行去模糊，并在使用视频合成的真实模糊图像数据集上取得了较好效果; Tao等［14］通过使用金字塔逐步恢复不同尺度清晰图像的策略，提出了一种标度循环卷积网络的编解码结构，并在不同标度的子网络中共享参数，实现了从粗到精的端到端去模糊； Kupyn等［15］利用生成对抗网络设计了一个新的图像去模糊网络，通过条件生成对抗网络（GAN）进行去模糊，与一般的深度学习方法相比，处理速度增加了数倍，开启了GAN在图像去模糊上的应用； 此后，Kupyn等［16］又搭建了一种具备双鉴别器的GAN网络，在框架中使用了特征塔形结构，同时由于该框架使用了最新的轻量化网络，使得其较其他经典网络在计算上快了近百倍； Gong等［17］搭建了一种可进行自学习的去模糊GAN框架，该框架在处理图像的小范围模糊去除上获得了理想的结果； Lu等［18］提出了用解缠网络分离图像的语义和特征，通过将模糊特征编入网络提升网络的处理能力. 但上述的深度学习算法存在的普遍问题是网络模型越来越大，且损失函数较单一，使得神经网络的优势并未被充分利用，单张图像的平均处理时间也相对较长.

基于此，本文提出一种非对称的轻量级图像盲去模糊网络，该网络通过从低尺度到高尺度的方法逐步复原图像，提出用混合多尺度卷积层对原始图像进行多尺度的处理，通过残差金字塔模块增大网络的感受野，并使用扩张卷积实现轻量化架构. 采用图像特征跨层直连强化网络的去模糊性能，使用的损失函数可综合计算图像的亮度、 结构、 对比度以及均方误差，提升了去模糊后图像的真实性. 实验结果表明，在指标对比和图像主观测试上，该方法都优于近年来广泛使用的经典盲去模糊网络，可实现较好的图像去模糊效果，同时在单张图像处理速度上性能优异.

1 算法设计

1.1 图像退化模型

在图像拍摄、 存放及多次拷贝过程中，由于拍摄环境不佳、 相机硬件故障以及使用图像处理软件进行错误操作或频繁存取压缩图像都会导致图像出现模糊现象，而实际应用中的图像模糊原理可建模为

B=I*K+N，（1）

其中I为原清晰图像，K为模糊核，*为卷积操作，N为加性噪声. 一张模糊图像可视为是原图像在模糊核的作用下受加性噪声影响形成的，而模糊核的作用原理与图像摄取环境等条件相关.

1.2 编码器-解码器网络

在网络模型的设计上本文使用编解码网络，其通常是由编码器和解码器组合而成的对称结构，其中编码器对图像进行下采样提取特征，解码器利用上采样将高级语义特征进行融合，并在输出端输出图像.

与传统编解码网络不同，本文在其中引入了非对称思想，将图像在相同参数的三层编码器-解码器网络中使用不同分辨率进行循环处理，对编码器和解码器分别采用不同的设计，从而对网络进行强化，网络框架如图1所示.

由图1可见： 在编码器中，本文设计了混合多尺度卷积层（mixed multi-scale convolution module，MMCM）对图像进行初始特征强化提取. 为增强特征提取能力的同时降低参数量，本文利用扩张卷积设计了轻量级的残差金字塔模块（residual pyramid module，RPM）; 在解码阶段，使用跳跃连接思想，将深层高级特征跨层接入到输出，并经过最后一层卷积输出图1中灰色部分的图像后，进入尺度循环. 通过这种非对称的结构设计，实现对图像去模糊能力的强化.

在网络模型上，为增强网络的去模糊能力，本文采用文献［14］的图像尺度循环处理方法，实现流程如图2所示. 该方法首先对原始图像进行两次下采样，然后送入到网络框架中进行去模糊处理，处理后将重建的、 去模糊后的次级清晰图像进行上采样操作，循环输入到训练好参数的去模糊网络中，并在二次、 三次循环中使用同一套网络参数， 这里的参数重用机制可在不同分辨率下很好地利用之前网络训练好的特征信息. 文献［14］研究表明，三层的网络可在网络复杂度和最终图像质量间得到较好的平衡，并最终通过多尺度的循环处理机制，使图像具备不同尺度的细粒度特征，实现比单层网络更好的去模糊效果.

1.3 混合多尺度卷积层

为实现在图像输入后，对图像初始特征进行更充分地提取，可以用ResNet［19］的基本结构进行网络构建. 实验表明，对ResNet进行堆叠加深可增强网络的性能，但会增加网络的参数量，导致网络训练缓慢，过深时会无法收敛，导致梯度消失. 为避免出现这种现象，同时增强网络的特征提取能力，本文设计了混合多尺度卷积层作为网络初始阶段的特征提取器，如图3所示.

由图3可见，本文在混合多尺度卷积层中采用了并联的网络结构，经过降采样后的图像输入网络后，会分别送入由不同大小卷积核构成的两个分支中. 在神经网络中，这种双分支的结构可增加网络的特征提取能力，但不过度加深网络. 本文在双通路中分别采用不同大小的卷积核，以便于对输入图像的不同尺度进行特征提取； 然后使用Concat函数对不同尺度的特征进行初步特征交融，以增加特征图的细粒度； 最后使用1×1大小的卷积核对特征图进行总体特征融合，同时具有通道维度整合的作用，并将特征图传递至下一级网络.

1.4 残差金字塔模块

图像在经过初始的特征提取后，需在当前分辨率下对特征图进行进一步的强化提取，这里可通过对网络进行加深实现从模糊图像到清晰图像更好地拟合. 不同于传统的端到端对称编解码结构使用的简单堆叠方式，本文设计了如图4所示的残差金字塔模块实现对特征的多尺度处理.

由图4可见，为实现对特征的强化提取，本文设计了三层不同大小感受野的卷积层，构成了图像金字塔. 但为减少网络的参数量，在更大尺度感受野的卷积核上，本文使用3×3大小的、 扩张率为2的扩张卷积［20］. 与传统的卷积相比，扩张卷积可在相同大小的感受野上比5×5传统卷积降低近3倍的参数量，并在训练中实现与传统卷积相近的效果，极大加快了网络的训练速度和图像处理速度. 在残差金字塔模块中，通过扩张卷积与传统卷积的组合构建金字塔结构的轻量级特征提取器. 最后，通过引入残差连接解决网络退化问题，并通过1×1的卷积进行特征的再融合及通道维度的整合.

1.5 解码器设计

在编码器-解码器网络中，编码器负责特征提取，解码器负责特征融合. 因此在解码器部分不进行复杂的尺度操作增加计算量，而考虑在深层语义特征的跨层引入融合. 如图1中虚线所示，本文将编码器提取的高低语义特征引入到解码器末端的特征图中，将高级特征与低级特征进行交互融合，实现解码器整体的残差块设计，以获得更优良的图像去模糊效果.

为避免编码器的轻量设计导致解码器出现拟合困难的现象，本文在解码器中采用文献［14］多层ResNet嵌套设计的残差卷积组，如图5所示. 由图5可见，卷积核内部采用5×5大小的卷积，尽量在编码器参数较少的情况下强化解码器的特征融合效果. 由于解码器的跳跃连接设计与ResNet较强的拟合能力，该模块在网络训练中可实现对特征的有效融合.

2 实 验

2.1 实验数据集

本文实验采用在图像去模糊领域广泛使用的模糊数据集GoPro［13］. 该数据集使用了GoPro运动摄影机拍摄的高清图像，并利用影像的相邻帧合成类真实的模糊图像，使用临近帧的中间帧表示清晰图像，构建了大量的清晰-模糊图像对，本文使用其中的3 214对图像进行实验，包括2 103对用于网络训练，1 111对用于结果测试.

为保证实验和网络设计的有效性，本文使用数据集Kohler［21］进一步进行指标对比. 数据集Kohler由4张图像在12种不同类型的卷积核上卷积而成，由于模糊核种类较多，形成的模糊十分复杂，因此可综合地衡量网络的去模糊能力.

2.2 模型训练

本文算法采用Python3.8语言进行编写，并使用Tensorflow2.5［22］深度学习框架进行搭建. 在Ubuntu16.04系统的服务器上，用Nvidia 1080Ti显卡进行训练与实验. 实验中采用数据集GoPro进行网络训练，训练时图像会被随机裁切为256×256大小的尺寸，训练批尺寸为16，損失函数超参数为0.04，经过4 000次迭代训练完成，得到基本的网络模型.

2.3 实验结果及分析

将本文方法与近年来在深度学习领域中广受好评的图像去模糊的经典算法进行指标对比，不同方法在两个数据集中的对比结果分别列于表1和表2.

由表1可见： 在数据集GoPro上，与传统单尺度结构的深度学习方法相比，本文方法具有较大优势; 与尺度循环架构的深度学习方法相比，如文献［14］方法等，本文方法也有一定的提升; 与采用生成对抗网络结构的文献［16］、 文献［26］方法等相比，本文方法则具有更优秀的去模糊能力. 此外，本文方法在PSNR与SSIM指标之间取得了相对的均衡，未出现如文献［25］等方法的PSNR指标较高但SSIM相对较低的情况. 本文方法的SSIM指标较其他方法有明显提升，进一步证明了本文设计的多尺度结构相似损失对图像去模糊方法的有效性.

由表2可见，本文方法与深度学习领域经典的开源去模糊方法在数据集Kohler上进行比较，也取得了较好结果，综合PSNR与SSIM指标，取得了较均衡的效果，进一步证明了本文方法的稳定性与泛化能力，可在多种不同模糊核的数据集上取得很好的去模糊效果.为验证本文方法在轻量化方面的指标情况进行对比实验，实验数据集为数据集GoPro的测试集图像，指标为单图像的去模糊处理时间，不同方法图像处理时间的对比结果列于表3.

由表3可见，与去模糊领域的经典方法相比，本文方法在单图像去模糊速度上具有一定优势，证明了本文提出的轻量级金字塔模块对循环多尺度架构轻量化的有效性.

在具体图像的定性直观分析上，将本文方法与采用了文献［14］的SRN网络和文献［16］的DeblurGAN网络方法进行对比分析，SRN网络与本文网络同样为编解码结构，均采用了多尺度循环架构且去模糊效果相对较好，因此更具对比价值； DeblurGAN则在生成对抗网络结构去模糊中有较好的去模糊效果，且图像处理速度较快. 对比使用的数据为GoPro测试集中的图像，对比结果如图6所示. 本文在数据集Kohler上也进行了细节对比，对比结果如图7所示.

由图6和图7可见，本文方法复原的图像在特征轮廓、 光影和亮度上与文献［14］的方法较相似，与真实图像相比同样较贴近. 但文献［14］方法复原的图像有时存在较明显的伪影与亮斑，该现象在本文方法复原的图像中则较少出现. 而文献［16］方法在图像处理速度上与本文相似，但图像的具体去模糊效果较差. 在数据集Kohler上，文献［14］方法复原的图像结构轮廓与观感上较清晰，但存在少量的伪影. 文献［16］方法振铃效应较明显，物体的轮廓特征也较模糊. 因此，在直观的图像对比分析上，本文方法具有较优的去模糊效果.

为检验相关改进的有效性，本文进行了消融实验. 基础网络为对称的基本编码器-解码器结构，损失函数为去模糊领域较常用的MSE损失. 通过逐步替换混合多尺度卷积层、 残差金字塔模块、 跳跃连接和损失函数，计算前后的PSNR、 SSIM和单张图像的处理速度综合比较，评测数据集为GoPro，比较结果列于表4.

由表4可见，在加入RPM模块后，单张图像的处理速度提升了近5倍，而在剩余的改进中，保证了在不增加过多计算量的同时对网络指标进行提升，经过改进后的网络，兼顾了网络性能与图像处理速度，达到了轻量化的去模糊目标.

综上所述，针对当前去模糊算法图像处理缓慢的问题，本文设计了一种非对称的轻量级图像盲去模糊网络. 网络以多尺度循环的编解码网络为基础，提出用混合多尺度卷积层对图像的初始特征进行提取，通过残差金字塔模块增大网络的感受野，实现对多尺度更细粒度的计算，并使用扩张卷积进行轻量化处理. 在解码器中，采用图像特征跨层直连加强网络的去模糊性能，并使用了全新的多尺度结构相似性损失函数对网络进行优化. 实验结果表明，本文提出的网络及损失函数可在多个数据集上获得较好的图像盲去模糊效果，综合指标与现有的经典传统方法及深度学习去模糊方法相比具有一定的优势，综合去模糊性能较好，同时具有更轻量化的骨架和更快的图像盲去模糊速度.

参考文献

［1］ 李若森，雒江涛，许国良. 面向盲去模糊的选择性内核卷积混合连接编解码网络 ［J］. 重庆邮电大学学报（自然科学版），2021，33（6）： 977-983.

（LI R S，LUO J T，XU G L. Selective-Kernel Convolution Mixed Link Encoder-Decoder Network for Blind Deblur ［J］. Journal of Chongqing University of Posts and Telecommunications

（Natural Science Edition），2021，33（6）： 977-983.）

［2］ 郭志军，刘帅. 基于卷积神经网络的数字图像模糊增强算法 ［J］. 吉林大学学报（工学版），2022，52（10）： 2399-2404. （GUO Z J，LIU S.

Digital Image Fuzzy Enhancement Algorithm Based on Convolutional Neural Network ［J］. Journal of Jilin University （Engineering and Technology Edition），2022，52（10）： 2399-2404.）

［3］ 郝琨，王阔，赵璐，等. 基于图像增强与改进YOLOv3的水下生物检测算法 ［J］. 吉林大学学报（工学版），2022，52（5）： 1088-1097.

（HAO K，WANG K，ZHAO L，et al. Underwater Biological Detection Algorithm Based on Image Enhancement and Improved YOLOv3 ［J］. Journal of Jilin University

（Engineering and Technology Edition），2022，52（5）： 1088-1097.）

［4］ 李亮，魯铮，赵靖华，等. 基于暗光环境下光条纹去糊的车牌识别 ［J］. 吉林大学学报（信息科学版），2022，40（5）： 836-845. （LI L，LU Z，ZHAO J H，

et al. License Plate Recognition Based on Light Streak Deblurring in Dim Light Environment ［J］. Journal of Jilin University （Information Science Edition），2022，40（5）： 836-845.）

［5］ TAI Y W，TAN P，BROWN M S. Richardson-Lucy Deblurring for Scenes under a Projec

tive Motion Path ［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence，2010，33（8）： 1603-1618.

［6］ LI Y C，JIA F X，JIANG X，et al. A Proportional Algorithm for Rotary Motion Blurred Images Restoration ［C］//2019 2nd International Confe

rence on Information Systems and Computer Aided Education （ICISCAE）. Piscataway，NJ： IEEE，2019： 288-292.

［7］ 譚海鹏，曾炫杰，牛四杰，等. 基于正则化约束的遥感图像多尺度去模糊 ［J］. 中国图象图形学报，2015，20（3）： 386-394. （TAN H P，Z

ENG X J，NIU S J，et al. Remote Sensing Image Multi-scale Deblurring Based on Regularization Constraint ［J］. Journal of Image and Graphics，2015，20（3）： 386-394.）

［8］ 王诗言，曾茜，周田，等. 基于注意力机制与特征融合的图像超分辨率重建 ［J］. 计算机工程，2021，47（3）： 269-275. （WANG S Y，ZENG X，ZHOU T，

et al. Image Super-Resolution Reconstruction Based on Attention Mechanism and Feature Fusion ［J］. Computer Engineering，2021，47（3）： 269-275.）

［9］ 郁强，王宽，王海. 一种多尺度YOLOv3的道路场景目标检测算法 ［J］. 江苏大学学报（自然科学版），2021，42（6）： 628-633. （YU Q，WANG K，WANG H.

A Multi-scale YOLOv3 Detection Algorithm of Road Scene Object ［J］. Journal of Jiangsu University （Natural Science Edition），2021，42（6）： 628-633.）

［10］ 王德兴，吴若有，袁红春，等. 基于多尺度注意力融合和卷积神经网络的水下图像恢复 ［J］. 吉林大学学报（工学版），2021，51（4）： 1396-1404.

（WANG D X，WU R Y，YUAN H C，et al. Underwater Image Restoration Based on Multi-scale Attention Fusion and Convolutional Neural Network ［J］.

Journal of Jilin University （Engineering and Technology Edition），2021，51（4）： 1396-1404.）

［11］ 李萌，孙艳歌，郭华平，等. 多层次融合与注意力机制的人群计数算法 ［J］. 吉林大学学报（信息科学版），2022，40（6）： 1009-1016.

（LI M，SUN Y G，GUO H P，et al. Multi-level Fusion and Attention Mechanism Based Crowd Counting Algorithm ［J］. Journal of Jilin University （Information Science Edition），2022，40（6）： 1009-1016.）

［12］ SUN J，CAO W F，XU Z B，et al. Learning a Convolutional Neural Network for Non-uniform Motion Blur Removal ［C］//Proceedings of th

e IEEE Conference on Computer Vision and Pattern Recognition. Piscataway，NJ： IEEE，2015： 769-777.

［13］ NAH S，KIM T H，LEE K M. Deep Multi-scale Convolutional Neural Network for Dynamic Scene Deblurring ［C］//

Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. Piscataway，NJ： IEEE，2017： 3883-3891.

［14］ TAO X，GAO H Y，SHEN X Y，et al. Scale-Recurrent Network for Deep Image Deblurring ［C］//Proceedings of the IEEE Conference on Computer

Vision and Pattern Recognition. Piscataway，NJ： IEEE，2018： 8174-8182.

［15］ KUPYN O，BUDZAN V，MYKHAILYCH M，et al. Deblurgan： Blind Motion Deblurring Using Conditional Adversarial Networks ［C］//Proceedings

of the IEEE Conference on Computer Vision and Pattern Recognition. Piscataway，NJ： IEEE，2018： 8183-8192.

［16］ KUPYN O，MARTYNIUK T，WU J，et al. Deblurgan-V2： Deblurring （Orders-of-Magnitude） Faster and Better ［C］//Proceedings of the IEE

E/CVF International Conference on Computer Vision. Piscataway，NJ： IEEE，2019： 8878-8887.

［17］ GONG G L，ZHANG K. Local Blurred Natural Image Restoration Based on Self-reference Deblurring Generative Adversarial Networks ［C］//20

19 IEEE International Conference on Signal and Image Processing Applications （ICSIPA）. Piscataway，NJ： IEEE，2019： 231-235.

［18］ LU B Y，CHEN J C，CHELLAPPA R. Unsupervised Domain-Specific Deblurring via Disentangled Representations ［C］//

Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway，NJ： IEEE，2019： 10225-10234.

［19］ HE K M，ZHANG X Y，REN S Q，et al. Deep Residual Learning f

or Image Recognition ［C］//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. Piscataway，NJ： IEEE，2016： 770-778.

［20］ YU F，KOLTUN V. Multi-scale Context Agregation by Dilated Convolutions ［EB/OL］. （2016-04-30）［2021-12-01］. https：//arxiv.org/abs/1511.07122v1.

［21］ KHLER R，HIRSCH M，MOHLER B，et al. Recording and Playback of Camer

a Shake： Benchmarking Blind Deconvolution with a Real-World Database ［C］//European Conference on Computer Vision. Berlin： Springer，2012： 27-40.

［22］ ABADI M，BARHAM P，CHEN J M，et al. Tensorflow： A System for Large-Scale Machine Learning ［C］//12th USENIX Symposium on Opera

ting Systems Design and Implementation. New York： ACM，2016： 265-283.

［23］ ZHENG S，ZHU Z F，CHENG J，et al. Edge Heuristic G

AN for Non-uniform Blind Deblurring ［J］. IEEE Signal Processing Letters，2019，26（10）： 1546-1550.

［24］ YUAN Y，SU W，MA D D. Efficient Dynamic Scene Deblurring Using Spatially Variant Deconvolution Network with Optical Flow Guided

Training ［C］//Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway，NJ： IEEE，2020： 3555-3564.

［25］ LIU Y M，LUO Y F，HUANG W Z，et al. Semantic Informa

tion Supplementary Pyramid Network for Dynamic Scene Deblurring ［J］. IEEE Access，2020，8： 188587-188599.

［26］ NIU W J，XIA K W，PAN Y K. Contiguous Loss for Motion-Based，Non-aligned Image Deblurring ［J］. Symmetry，2021，13（4）： 630-1-630-16.

［27］ XU L，ZHENG S C，JIA J Y. Unnatural L0 Sparse Representation for Natural Image

Deblurring ［C］//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. Piscataway，NJ： IEEE，2013： 1107-1114.

［28］ ZHANG J W，PAN J S，REN J，et al. Dynamic Scene Deblurring Using Spatially Variant Recurrent Neural Networks ［C］//

Proceedings of the IEEE Conference on Computer Vision And Pattern Recognition. Piscataway，NJ： IEEE，2018： 2521-2529.

［29］ GAO H Y，TAO X，SHEN X Y，et al. Dynamic Scene Deblurring with Parameter Selective Sharing and Nested Skip Connections ［C］//Proc

eedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway，NJ： IEEE，2019： 3848-3856.

［30］ WU D，ZHAO H T，ZHENG S B. Motion Deblurring Method Based on DenseNets ［J］. Image Graph，2020，25（5）： 890-899.

（責任编辑： 韩 啸）