基于降質(zhì)信息估計的盲圖像復(fù)原算法*

吳夢凡，何小海，卿粼波，翟 森，任 超

（四川大學(xué) 電子信息學(xué)院，四川 成都 610065）

0 引言

圖像復(fù)原是圖像處理領(lǐng)域被廣泛研究的一類問題，其旨在從低質(zhì)量降質(zhì)圖像中恢復(fù)出包含更多細節(jié)的高質(zhì)量圖像，在視頻增強、醫(yī)療診斷及智能監(jiān)控等領(lǐng)域都有著重要應(yīng)用。通常，低質(zhì)量降質(zhì)圖像的退化過程可表示為：

式中：y為低質(zhì)量觀測圖像；x為原始高質(zhì)量圖像；k為模糊核；?為卷積操作；↓s為s倍的下采樣操作；n為圖像噪聲，一般采用高斯噪聲進行建模。

圖像復(fù)原任務(wù)即希望能從給定的y中恢復(fù)出x，但由于這是一個病態(tài)的逆問題，具有高度的不適定性，因此一直以來具有較強的挑戰(zhàn)性。

近年來，基于深度學(xué)習(xí)的方法由于其網(wǎng)絡(luò)強大的特征表示能力，在圖像復(fù)原領(lǐng)域引起了廣泛關(guān)注，涌現(xiàn)出了大量相關(guān)研究，并取得了顯著的性能突破。該類方法通?；谟?xùn)練樣本，通過深度網(wǎng)絡(luò)去擬合學(xué)習(xí)高低質(zhì)量圖像間的映射關(guān)系，表現(xiàn)出了優(yōu)秀的復(fù)原性能。Dong 等人[1]提出的超分辨率網(wǎng)絡(luò)（Super-Resolution Convolutional Neural Network，SRCNN）是將卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于圖像超分辨率重建的開山之作，雖然網(wǎng)絡(luò)層數(shù)較少、結(jié)構(gòu)較簡單，但和一些傳統(tǒng)算法相比，其性能已經(jīng)表現(xiàn)出了突出的優(yōu)越性，也表明了卷積神經(jīng)網(wǎng)絡(luò)在圖像復(fù)原領(lǐng)域巨大的潛能。隨后，Kim 等人[2]提出了一種基于殘差學(xué)習(xí)的網(wǎng)絡(luò)，該網(wǎng)絡(luò)層數(shù)更深且通過學(xué)習(xí)輸入圖像的殘差信息，很好地降低了訓(xùn)練難度。周登文等人[3]同樣采用了殘差結(jié)構(gòu)，但額外引入了遞歸結(jié)構(gòu)，使得在同等網(wǎng)絡(luò)深度下網(wǎng)絡(luò)參數(shù)量明顯減少。Zhang 等人[4]引入通道注意力模塊，提出了一個殘差通道注意力網(wǎng)絡(luò)用于圖像超分辨率重建，取得了很好的性能。Zamir 等人[5]提出了一種多階段漸進式學(xué)習(xí)的復(fù)原網(wǎng)絡(luò)，通過編解碼結(jié)構(gòu)來學(xué)習(xí)圖像的多尺度信息，并進一步將不同階段的多尺度特征進行深度的融合，補充了在網(wǎng)絡(luò)傳遞中引起的部分信息缺失，獲得了更好的細節(jié)恢復(fù)能力。

但是，目前基于深度學(xué)習(xí)[6]的復(fù)原網(wǎng)絡(luò)大多針對假定降質(zhì)信息已知的非盲復(fù)原任務(wù)，即基于某種已知的特定降質(zhì)條件生成訓(xùn)練樣本進行網(wǎng)絡(luò)訓(xùn)練，網(wǎng)絡(luò)性能與該降質(zhì)條件高度耦合，當(dāng)實際降質(zhì)與該假設(shè)不同時，網(wǎng)絡(luò)性能就會明顯下降。實際應(yīng)用中，要處理的圖像往往降質(zhì)類型是更復(fù)雜且未知的，此類網(wǎng)絡(luò)不再適用。因此，也有一些研究工作[7-9]開始著眼于盲圖像復(fù)原的研究，盲圖像復(fù)原無須要求降質(zhì)條件已知，而是首先進行圖像降質(zhì)信息的估計，其次基于該降質(zhì)信息進行下一步的復(fù)原工作。相較于非盲圖像復(fù)原只能處理單一降質(zhì)條件，它能處理降質(zhì)更加復(fù)雜的情況，且利用了圖像降質(zhì)信息，能幫助復(fù)原網(wǎng)絡(luò)得到更好的重建結(jié)果。

基于上述研究基礎(chǔ)，本文提出了一種基于降質(zhì)信息估計的盲圖像復(fù)原算法，該算法主要由噪聲估計網(wǎng)絡(luò)、模糊核估計網(wǎng)絡(luò)和重建網(wǎng)絡(luò)3 部分組成。對于輸入的低質(zhì)量圖像，首先通過噪聲估計網(wǎng)絡(luò)和模糊核估計網(wǎng)絡(luò)得到降質(zhì)圖像的噪聲水平和模糊核；其次將估計得到的噪聲水平和模糊核作為降質(zhì)信息，與輸入的低質(zhì)量圖像一起輸入重建網(wǎng)絡(luò)，以幫助網(wǎng)絡(luò)獲得更好的復(fù)原效果。本文算法不論是在主觀視覺效果上還是客觀評價指標(biāo)上都取得了不錯的結(jié)果，恢復(fù)出了較高質(zhì)量的圖像。

1 盲圖像復(fù)原算法

此處盲圖像復(fù)原算法無須要求降質(zhì)參數(shù)已知，而是首先基于某種算法對降質(zhì)信息進行估計，其次在此基礎(chǔ)上完成重建。相較于非盲圖像復(fù)原算法，它能處理更多種降質(zhì)情況，但由于挑戰(zhàn)性也更大，因此針對它的相關(guān)研究相對較少。

早期的盲復(fù)原算法大多是基于重建的算法，且大多數(shù)復(fù)原算法僅聚焦于低質(zhì)量圖像中模糊的去除，對于噪聲及其他降質(zhì)因素并未充分考慮。這些算法大多是將問題分解為模糊核估計和非盲復(fù)原兩個步驟：第一步通過模糊核估計算法得到圖像模糊核；第二步基于此模糊核將盲復(fù)原問題轉(zhuǎn)換為通常的非盲復(fù)原問題來解決。早期，涌現(xiàn)出了大量相關(guān)方法[10-13]，但通常涉及復(fù)雜的優(yōu)化過程，如文獻[13]中利用自然圖像的自相似性屬性來預(yù)測潛在的模糊核，并基于該模糊核完成后續(xù)重建；文獻[12]提出了一種框架聯(lián)合實現(xiàn)模糊識別和圖像重建，采用一種軟模糊先驗來擬合模糊模型相關(guān)性，基于此引導(dǎo)模糊估計的優(yōu)化，并采用基于交替最小化的迭代算法來逐步估計圖像模糊和高質(zhì)量圖像。然而，由于未考慮圖像噪聲等因素，此類方法在核預(yù)測過程中很容易受到輸入噪聲的影響，導(dǎo)致核估計不準(zhǔn)確，造成性能下降。之后，也有一些研究工作將深度學(xué)習(xí)方法應(yīng)用到盲復(fù)原算法中。例如，在適應(yīng)各種模糊核結(jié)構(gòu)的網(wǎng)絡(luò)（Conditioned All Blur kernels，CAB）[14]和多重降質(zhì)超分辨率網(wǎng)絡(luò)（Super-Resolution Network For Multiple Degradations，SRMD）[15]中，網(wǎng)絡(luò)可以將模糊核作為一個額外的輸入，并根據(jù)所提供的核生成不同的結(jié)果。文獻[16]利用圖像信息的內(nèi)部遞歸性，提出了一種無監(jiān)督的超分辨率重建（Super Resolution，SR）方法來對具有不同模糊核的圖像進行重建，它根據(jù)從輸入圖像本身提取的圖像塊訓(xùn)練一個小的卷積神經(jīng)網(wǎng)絡(luò)，訓(xùn)練后的特定網(wǎng)絡(luò)可用于該圖像的超分辨率重建。文獻[7]對降質(zhì)情況進行了更全面的研究，針對模糊、噪聲、下采樣及壓縮并存的情況，提出了對應(yīng)的網(wǎng)絡(luò)級聯(lián)盲超分辨率網(wǎng)絡(luò)（Cascaded Blind Super Resolution network，CBSR）用于低質(zhì)量圖像的復(fù)原重建。該網(wǎng)絡(luò)能對低質(zhì)量圖像中的多種降質(zhì)因素進行估計，并將估計所得降質(zhì)信息用于重建過程，幫助獲得更好的復(fù)原性能。這些方法雖然有效地提升了性能，但仍然存在很多問題，如對降質(zhì)情況分析不夠全面、存在降質(zhì)信息估計誤差等問題。

2 基于降質(zhì)信息估計的盲圖像復(fù)原算法

目前，大多數(shù)基于卷積神經(jīng)網(wǎng)絡(luò)的圖像復(fù)原算法都是基于降質(zhì)參數(shù)已知的模擬降質(zhì)，這些算法雖然取得了不錯的性能，但通常只適用于單一的降質(zhì)類型。當(dāng)面對降質(zhì)類型更復(fù)雜且參數(shù)未知的情況時，并不能很好地處理。針對此問題，本文提出了一種基于降質(zhì)信息估計的盲圖像復(fù)原算法，與通常的復(fù)原算法相比，額外引入了圖像本身的降質(zhì)信息作為輸入，幫助復(fù)原網(wǎng)絡(luò)獲得更好的重建結(jié)果。降質(zhì)信息是通過特定的降質(zhì)估計網(wǎng)絡(luò)估計得來，對于降質(zhì)參數(shù)未知的情況，能進行降質(zhì)參數(shù)的估計，進而使后續(xù)復(fù)原網(wǎng)絡(luò)可以處理多種降質(zhì)情況。本文研究了復(fù)原領(lǐng)域通常采用的高斯噪聲、高斯模糊、下采樣并存的復(fù)合降質(zhì)模型，復(fù)原過程包括對圖像的去噪、去模糊及超分辨率重建。總體思路為，對于輸入圖像，首先通過相應(yīng)的估計網(wǎng)絡(luò)對降質(zhì)信息進行估計，其次將估計所得也作為輸入送往重建網(wǎng)絡(luò)，指導(dǎo)并輔助后續(xù)重建網(wǎng)絡(luò)的訓(xùn)練。

2.1 算法總體框架

本文提出的基于降質(zhì)信息估計的盲圖像復(fù)原算法總體網(wǎng)絡(luò)結(jié)構(gòu)如圖1 所示。該網(wǎng)絡(luò)框架主要由噪聲估計網(wǎng)絡(luò)、模糊核估計網(wǎng)絡(luò)和重建網(wǎng)絡(luò)3 部分組成。噪聲估計網(wǎng)絡(luò)和模糊核估計網(wǎng)絡(luò)分別負(fù)責(zé)圖像噪聲水平和模糊核的估計，重建網(wǎng)絡(luò)在得到上述估計后進行最后的復(fù)原重建工作。噪聲估計網(wǎng)絡(luò)、模糊核估計網(wǎng)絡(luò)及重建網(wǎng)絡(luò)的具體結(jié)構(gòu)見下文。

圖1 基于降質(zhì)信息估計的盲圖像復(fù)原算法網(wǎng)絡(luò)結(jié)構(gòu)

對于輸入降質(zhì)圖像，首先通過噪聲估計網(wǎng)絡(luò)估計它的噪聲水平，其次將上一步估計得到的噪聲水平和降質(zhì)圖像輸入模糊核估計網(wǎng)絡(luò)里進一步估計模糊核信息。此外，為了節(jié)省計算量，對模糊核做了主成分分析（Principal Component Analysis，PCA）完成降維處理[15]。最后將降維后的模糊核張量和噪聲水平一起作為圖像降質(zhì)信息，聯(lián)合降質(zhì)圖像一起經(jīng)雙三次插值（Bicubic）后輸入重建網(wǎng)絡(luò)，得到最終重建結(jié)果。重建網(wǎng)絡(luò)因為充分利用了圖像降質(zhì)信息，能獲得更好的重建結(jié)果，恢復(fù)出細節(jié)更豐富的高質(zhì)量圖像。

2.2 噪聲估計網(wǎng)絡(luò)

本文采用了一個簡單的級聯(lián)結(jié)構(gòu)網(wǎng)絡(luò)來進行噪聲水平估計，且鑒于小波變換在提升性能及節(jié)省網(wǎng)絡(luò)計算開銷上的優(yōu)異性能，在網(wǎng)絡(luò)首尾分別引入了小波變換和小波逆變換，網(wǎng)絡(luò)結(jié)構(gòu)如圖2 所示。

圖2 噪聲估計網(wǎng)絡(luò)結(jié)構(gòu)

對于輸入的降質(zhì)圖像，首先通過小波變換將其變換到小波域上，并通過一個3×3 卷積層進行初步的特征提取；其次將其輸入到連續(xù)10 個由3×3卷積層、批量歸一化（Batch Normalization，BN）層、整流線性單元（Rectified Linear Unit，ReLU）組成的卷積模塊中進行進一步的學(xué)習(xí)；最后將結(jié)果再做一個對應(yīng)的小波逆變換變換到像素域，得到估計的噪聲水平張量。

對于該噪聲估計網(wǎng)絡(luò)的訓(xùn)練，本文使用了L2損失和TV 損失來約束網(wǎng)絡(luò)訓(xùn)練結(jié)果，其損失函數(shù)定義如下：

式中：σ為目標(biāo)噪聲水平張量；σest為網(wǎng)絡(luò)估計的噪聲水平張量；λn為正則項系數(shù)。式（2）中第二項的TV 損失的表達式為：

式中：Δh為水平方向的梯度算子；Δv為垂直方向的梯度算子。

2.3 模糊核估計網(wǎng)絡(luò)

本文模糊核估計網(wǎng)絡(luò)采用和圖2 所示噪聲網(wǎng)絡(luò)相同的結(jié)構(gòu)，不同之處在于，除了輸入降質(zhì)圖像，還將噪聲估計網(wǎng)絡(luò)估計得到的噪聲水平張量一起送進了網(wǎng)絡(luò)。除此之外，為了更好地保證估計的精確性，本文選擇更容易估計的模糊核方差作為網(wǎng)絡(luò)估計目標(biāo)，而不是直接估計模糊核。

與噪聲估計網(wǎng)絡(luò)類似，模糊核估計網(wǎng)絡(luò)的損失函數(shù)定義為：

式中：λk為正則項系數(shù)；k為目標(biāo)模糊核方差張量；kest代表網(wǎng)絡(luò)估計的模糊核方差張量。TV 損失函數(shù)的具體形式為：

在通過網(wǎng)絡(luò)得到估計的模糊核方差張量后，可將模糊核方差張量的均值作為估計的模糊核方差，通過高斯模糊核生成公式，得到估計的模糊核。該二維高斯模糊核的公式為：

本文選取用于實驗的高斯模糊核大小為15×15，結(jié)合上述公式可以發(fā)現(xiàn)，若將模糊核的每一個值都拓展成一個M×N×1 的張量，則會得到一個尺寸為M×N×225 的模糊核張量。該模糊核張量會極大增加網(wǎng)絡(luò)訓(xùn)練難度，且存在大量冗余信息。有相關(guān)研究工作發(fā)現(xiàn)[15]，使用PCA 技術(shù)對高斯模糊核進行維度降維，能在保持模糊核絕大部分信息的同時降低數(shù)據(jù)量，且已被證明在圖像復(fù)原任務(wù)中是有效的。故本文采用了上述相同思路，對估計的高斯模糊核進行了進一步的PCA 降維處理。具體流程如圖3 所示，估計的15×15 模糊核首先被拉伸成一個225 維的向量k1，其次將其與PCA 矩陣相乘降低其維度至15 維，最后通過維度擴展得到一個大小為M×N×15 的模糊核張量。其中，圖中R指張量或向量的具體維度。

圖3 PCA 降維流程

2.4 重建網(wǎng)絡(luò)

本文提出的重建網(wǎng)絡(luò)結(jié)構(gòu)如圖4 所示，網(wǎng)絡(luò)的輸入為低質(zhì)量圖像和估計得到的降質(zhì)信息，包括噪聲水平張量和模糊核張量，輸出為重建的高質(zhì)量圖像。該重建網(wǎng)絡(luò)采用了編解碼的結(jié)構(gòu)模式。

圖4 重建網(wǎng)絡(luò)結(jié)構(gòu)

在編碼端，首先，將輸入的低分辨率圖像和估計所得降質(zhì)信息級聯(lián)起來，經(jīng)過小波變換后，將其下采到下一級；其次，通過一個5×5 卷積層提取圖像特征，并隨后經(jīng)過一個多層特征融合卷積塊，該融合卷積塊由4 個3×3 卷積層組成，每個卷積層的輸出經(jīng)過合并（concatenation）操作級聯(lián)在一起，通過1×1 卷積層完成融合；再次，特征再經(jīng)過一次小波下采，并同樣經(jīng)過提取特征的3×3 卷積層和多層特征融合卷積塊；最后，將所得通過一個殘差塊得到最后的編碼特征。該殘差塊具體結(jié)構(gòu)由3×3 卷積層、ReLU 激活函數(shù)、3×3 卷積層組成。

在解碼端，采用和編碼端對稱的結(jié)構(gòu)。通道特征先經(jīng)過上采操作，然后通過多層特征融合卷積塊進行處理，且在同一水平層，為了減小編解碼端特征的差異，編碼端的通道特征被殘差路徑處理后與上采后的通道特征相加。稍有差異之處在于，解碼端的多層特征融合卷積塊去掉了殘差跳連接。在經(jīng)過兩次上采與特征融合后，最后經(jīng)過一個7×7 卷積層將特征通道數(shù)降維至12，并通過最后一層上采樣后輸出3 通道的殘差，與輸入圖像相加，得到最終的重建圖像。整個重建網(wǎng)絡(luò)的損失函數(shù)：

式中：x為目標(biāo)高分辨率圖像；xrec為網(wǎng)絡(luò)重建的高分辨率圖像。

3 實驗分析

3.1 實驗設(shè)置

為驗證本文提出復(fù)原算法的有效性，基于上文所述網(wǎng)絡(luò)結(jié)構(gòu)進行了網(wǎng)絡(luò)訓(xùn)練。采用的訓(xùn)練集為DIV2K、BSD500 和WED4744，測試集為Set5、Set14 和Urban100。同時，使用圖像處理領(lǐng)域常用的兩個客觀評價指標(biāo)峰值信噪比（Peak Signal-to-Noise Ratio，PSNR）和結(jié)構(gòu)相似性索引測度（Structure Similarity Index，SSIM）來對網(wǎng)絡(luò)性能進行評估。分別進行了超分辨率倍數(shù)為2 和4 的復(fù)原任務(wù)。

該網(wǎng)絡(luò)的訓(xùn)練共分為兩個階段。第一階段單獨進行噪聲估計網(wǎng)絡(luò)、模糊核估計網(wǎng)絡(luò)及重建網(wǎng)絡(luò)的訓(xùn)練。訓(xùn)練過程中，設(shè)置噪聲估計網(wǎng)絡(luò)的噪聲水平范圍為0～50，模糊核估計網(wǎng)絡(luò)的模糊核方差范圍為0.5～6。此階段，設(shè)置3 個網(wǎng)絡(luò)初始學(xué)習(xí)率均為1e-4，之后每經(jīng)過40 000 次迭代降低0.1 倍。第二階段，在第一階段訓(xùn)練的基礎(chǔ)上將3 個網(wǎng)絡(luò)級聯(lián)起來，實現(xiàn)進一步的精調(diào)訓(xùn)練。該階段，重建網(wǎng)絡(luò)的學(xué)習(xí)率設(shè)置和上一階段保持一致，但固定噪聲估計網(wǎng)絡(luò)和模糊核估計網(wǎng)絡(luò)的學(xué)習(xí)率為1e-6。

此外，在保持相同設(shè)置下，本文選擇了現(xiàn)有的一些圖像復(fù)原算法來和本文提出的算法對比。所采用的對比算法包括深度超分辨率網(wǎng)絡(luò)（Very Deep Super-Resolution Network，VDSR）[2]、增強深度超分辨率網(wǎng)絡(luò)（Enhanced Deep Super-Resolution network，EDSR）[17]、多重降質(zhì)超分辨率網(wǎng)絡(luò)（Super-Resolution Network For Multiple Degradations，SRMD）[15]、深 度即插即用超分辨率網(wǎng)絡(luò)（Deep Plug-and-play Super-Resolution network，DPSR）[18]、圖像復(fù)原卷積神經(jīng)網(wǎng)絡(luò)（Image Restoration Convolutional Neural Network，IRCNN）[19]和語義推理注意力網(wǎng)絡(luò)（Context Reasoning Attention Network，CRAN）[20]。其中，EDSR、VDSR、CRAN 是非盲超分辨率算法，IRCNN 和DPSR 是兩種經(jīng)典的復(fù)原算法。SRMD 是一種可以接收噪聲水平張量和模糊核張量的非盲復(fù)原算法，本文將本章算法中的噪聲估計網(wǎng)絡(luò)和模糊核估計網(wǎng)絡(luò)與SRMD級聯(lián)起來作為一種對比算法，記作盲多重降質(zhì)超分辨率網(wǎng)絡(luò)（Super-Resolution network for Multiple Degradations in Blind case，SRMDB）。此 外，為了保證公平性，選擇重新訓(xùn)練了VDSR、EDSR 和CRAN 等算法，所用訓(xùn)練集與本章算法完全一致，并完全保證相關(guān)實驗設(shè)置相同，重新訓(xùn)練后的幾種對比算法分別記為VDSR*、EDSR*和CRAN*。

3.2 實驗結(jié)果及分析

為了評估所提算法在圖像復(fù)原任務(wù)上的性能，分別在常用的測試集Set5、Set14、Urban100 上進行了實驗。實驗中，本文首先用大小為15×15 的高斯模糊核對圖像進行模糊，其次進行相應(yīng)倍數(shù)的雙3 次下采，最后在模糊圖像上添加高斯噪聲，得到降質(zhì)圖像。同時，為了驗證本文提出算法在不同程度降質(zhì)條件下的效果，使用了兩種降質(zhì)設(shè)置生成測試圖像：設(shè)置1，噪聲水平為5，高斯核方差為2；設(shè)置2，噪聲水平為10，高斯核方差為4。

在降質(zhì)設(shè)置1 下，表1 給出了不同算法在3 個測試數(shù)據(jù)集上的平均PSNR和SSIM值。此外，為了能對復(fù)原結(jié)果有一個更直觀的感受，圖5 列出了不同算法對圖像PPT3 的重建結(jié)果圖。

由表1 可見，本文方法在3 個數(shù)據(jù)集上都取得了最高的PSNR和SSIM，且無論是低倍數(shù)重建還是高倍數(shù)重建，性能都明顯好于其他對比算法。例如，在Set5 上，進行2 倍重建時，比對比算法中性能最好的CRAN*還要高出0.29 dB 和0.005 6；4 倍重建時，比CRAN*高出0.55 dB 和0.008 4。除此之外，在Set14 和Urban100 上，不管是2 倍重建還是4 倍重建，也都取得了最高的指標(biāo)，且相比于其他算法有比較大的優(yōu)勢。此外，通過圖5 從視覺效果上來觀察，VDSR 和EDSR 重建結(jié)果噪聲殘留仍比較明顯，DPSR 相較來說好一點，但模糊程度比較明顯。VDSR*和IRCNN 能基本保證圖像的清晰度，但卻額外引入了一些偽影。相比之下，對比算法中EDSR*和CRAN*獲得了最好的重建效果，但對于圖像的一些細節(jié)信息并未很好地恢復(fù)出來。而本文方法，重建出了比較清晰的圖像，且最大程度地保證了圖像細節(jié)信息的保留，獲得了較好的視覺效果。

表1 不同方法去除15×15 高斯模糊（方差為2）和噪聲（噪聲水平為5）的PSNR 和SSIM

圖5 不同算法在圖像PPT3 上的重建效果

在降質(zhì)設(shè)置2 下，表2 列出了不同算法在3 個測試數(shù)據(jù)集上的平均PSNR和SSIM值。圖6 給出了不同算法在圖像butterfly 上的重建效果圖。由表2 結(jié)果可以看到，2 倍和4 倍重建時，所有數(shù)據(jù)集上對比算法中CRAN*性能最好，但和本文方法相比，其結(jié)果還是更低。以2 倍重建為例，本文方法的結(jié)果在3 個數(shù)據(jù)集上兩個指標(biāo)分別比CRAN*高0.15 dB 和0.004 2、0.16 dB 和0.005 5、0.25 dB和0.0。對于圖6，這些算法處理的圖像視覺效果呈現(xiàn)出和降質(zhì)設(shè)置1 中類似的結(jié)果，本文方法重建出的圖像明顯要好于其他對比算法，圖像更清晰且細節(jié)更豐富。

圖6 不同算法在圖像butterfly 上的重建效果

表2 不同方法去除15×15 高斯模糊（方差為4）和噪聲（噪聲水平為10）的PSNR 和SSIM

綜上所述，說明本文提出的圖像復(fù)原算法能比較好地實現(xiàn)低質(zhì)量圖像的復(fù)原任務(wù)，可以重建出比較高質(zhì)量的圖像，不僅在主觀視覺效果而且在客觀評價指標(biāo)上，都有比較明顯的優(yōu)勢。

4 結(jié)語

本文提出了一種基于降質(zhì)信息估計的盲圖像復(fù)原算法。該算法借助圖像降質(zhì)信息幫助重建網(wǎng)絡(luò)獲得更好的性能，使整個復(fù)原網(wǎng)絡(luò)能更好地適用于多種降質(zhì)情況。該算法主要由噪聲估計網(wǎng)絡(luò)、模糊核估計網(wǎng)絡(luò)及重建網(wǎng)絡(luò)3 部分組成。對于輸入的低質(zhì)量圖像，首先經(jīng)過噪聲估計網(wǎng)絡(luò)估計圖像噪聲水平，其次結(jié)合估計所得結(jié)果進一步通過模糊核估計網(wǎng)絡(luò)估計圖像模糊核，最后將估計所得降質(zhì)信息（即噪聲水平和模糊核）聯(lián)合低質(zhì)量圖像一起送往重建網(wǎng)絡(luò)，恢復(fù)出對應(yīng)高質(zhì)量圖像。實驗表明，本文提出的圖像復(fù)原算法能夠很好地處理不同降質(zhì)情況的低質(zhì)量圖像，從中恢復(fù)出較高質(zhì)量的圖像，并且在客觀評價指標(biāo)上和主觀視覺效果上，都取得了很好的效果。