基于改進(jìn)殘差網(wǎng)絡(luò)的運(yùn)動(dòng)目標(biāo)模糊圖像復(fù)原方法

摘 "要： 傳統(tǒng)的殘差網(wǎng)絡(luò)在復(fù)原運(yùn)動(dòng)目標(biāo)模糊圖像時(shí)，在模糊程度較嚴(yán)重的情況下，存在特征提取不充分、噪聲干擾等問(wèn)題，導(dǎo)致恢復(fù)出的圖像無(wú)法完全達(dá)到原始圖像的清晰度和細(xì)節(jié)。對(duì)此，提出基于改進(jìn)殘差網(wǎng)絡(luò)的運(yùn)動(dòng)目標(biāo)模糊圖像復(fù)原方法。對(duì)采集到的運(yùn)動(dòng)目標(biāo)模糊圖像，采用多損失函數(shù)融合方法改進(jìn)傳統(tǒng)殘差塊結(jié)構(gòu)，構(gòu)建編碼器?解碼器網(wǎng)絡(luò)訓(xùn)練結(jié)構(gòu)，訓(xùn)練損失函數(shù)，提升網(wǎng)絡(luò)的特征學(xué)習(xí)能力。通過(guò)完成訓(xùn)練的網(wǎng)絡(luò)，輸出運(yùn)動(dòng)目標(biāo)模糊圖像復(fù)原結(jié)果。實(shí)驗(yàn)結(jié)果表明，該方法復(fù)原運(yùn)動(dòng)目標(biāo)模糊圖像的峰值信噪比高于30 dB，結(jié)構(gòu)相似性高于0.9。

關(guān)鍵詞： 改進(jìn)殘差網(wǎng)絡(luò)； 運(yùn)動(dòng)目標(biāo)； 多損失函數(shù)融合； 模糊圖像； 編輯器?解碼器網(wǎng)絡(luò)； 復(fù)原方法

中圖分類(lèi)號(hào)： TN911.73?34； TP391 " " " " " " " "文獻(xiàn)標(biāo)識(shí)碼： A " " " " " " " " " " 文章編號(hào)： 1004?373X（2024）15?0086?05

Moving object blurred image restoration method based on improved residual networks

SUN Ling

（Taiyuan University of Science and Technology， Taiyuan 030024， China）

Abstract： When restoring blurred images of the moving objects， the traditional residual networks often suffer from insufficient feature extraction and noise interference in the case of serious blur occurs， so that the restored images fail to fully achieve the sharpness and details of the original images. Therefore， an improved residual network based method for restoring blurred images of moving objects is proposed. For the collected blurred images of moving objects， a multi loss function fusion method is adopted to improve the traditional residual block structure， construct an encoder?decoder network training structure， train the loss function， and enhance the feature learning ability of the networks. By the trained network， the restoration results of blurred images of the moving objects are output. The experimental results show that the peak signal?to?noise ratio （PSNR） of the restored blurred images of the moving objects is higher than 30 dB， and the image structural similarity is higher than 0.9.

Keywords： improved residual network; moving object; multi loss function fusion; blurred image; encoder?decoder network; restoration method

0 "引 "言

運(yùn)動(dòng)目標(biāo)模糊圖像是指在成像過(guò)程中由于拍攝目標(biāo)或相機(jī)的運(yùn)動(dòng)，導(dǎo)致目標(biāo)在圖像中的成像不清晰，呈現(xiàn)出模糊的狀態(tài)[1]。這種模糊會(huì)導(dǎo)致圖像質(zhì)量下降，使得圖像中的關(guān)鍵信息變得難以提取。圖像復(fù)原技術(shù)可以有效解決這一問(wèn)題，通過(guò)復(fù)原算法顯著提高圖像的清晰度和辨識(shí)度，使得圖像中的關(guān)鍵信息得以有效提取和利用[2?4]。因此，運(yùn)動(dòng)目標(biāo)模糊圖像復(fù)原技術(shù)常被應(yīng)用于航空航天、醫(yī)學(xué)影像、交通監(jiān)控、公共安全等多個(gè)領(lǐng)域，為相關(guān)應(yīng)用提供高質(zhì)量的圖像數(shù)據(jù)支持[5?6]。這對(duì)于提高工作效率、保障安全、促進(jìn)科學(xué)研究等方面都具有重要意義。

文獻(xiàn)[7]采用多尺度循環(huán)注意力網(wǎng)絡(luò)提高模糊圖像復(fù)原效果，有助于網(wǎng)絡(luò)更好地學(xué)習(xí)和理解圖像中的復(fù)雜模式，提升復(fù)原圖像的質(zhì)量和細(xì)節(jié)。但是多尺度循環(huán)注意力網(wǎng)絡(luò)需要采用適當(dāng)?shù)恼齽t化策略防止過(guò)擬合，否則影響復(fù)原結(jié)果的一致性。文獻(xiàn)[8]將多尺度網(wǎng)絡(luò)應(yīng)用于模糊圖像復(fù)原中，能夠同時(shí)處理不同尺度的圖像信息，從而捕獲更豐富的細(xì)節(jié)和特征。但是多尺度網(wǎng)絡(luò)處理圖像時(shí)，容易受到噪聲干擾的影響，無(wú)法準(zhǔn)確地提取和整合不同尺度的特征信息，導(dǎo)致復(fù)原效果下降。文獻(xiàn)[9]將生成對(duì)抗網(wǎng)絡(luò)應(yīng)用于圖像目標(biāo)復(fù)原中，該方法能夠模擬圖像的真實(shí)環(huán)境，包括光線(xiàn)衰減、顏色失真等特性，為圖像應(yīng)用提供數(shù)據(jù)支持。但是該方法與真實(shí)場(chǎng)景的數(shù)據(jù)相比，生成的數(shù)據(jù)在紋理細(xì)節(jié)、光照條件等方面存在質(zhì)量差異。文獻(xiàn)[10]通過(guò)自適應(yīng)地選擇對(duì)任務(wù)有用的層間連接，針對(duì)圖像中不同類(lèi)型的模糊進(jìn)行靈活處理，提高了方法的通用性和自適應(yīng)性，恢復(fù)出了更清晰、細(xì)節(jié)豐富的圖像。但是該方法在訓(xùn)練過(guò)程中存在波動(dòng)和不確定性，影響最終的去模糊效果。

為了解決以上問(wèn)題，本文提出基于改進(jìn)殘差網(wǎng)絡(luò)的運(yùn)動(dòng)目標(biāo)模糊圖像復(fù)原方法，通過(guò)多損失函數(shù)融合方法改進(jìn)傳統(tǒng)殘差塊結(jié)構(gòu)，降低了梯度衰減現(xiàn)象。在此基礎(chǔ)上，利用序列識(shí)別網(wǎng)絡(luò)結(jié)構(gòu)構(gòu)建編碼器?解碼器殘差網(wǎng)絡(luò)訓(xùn)練結(jié)構(gòu)，提升殘差網(wǎng)絡(luò)的特征學(xué)習(xí)性能，確保了殘差網(wǎng)絡(luò)改進(jìn)后的穩(wěn)定性和收斂性，極大地提升了運(yùn)動(dòng)目標(biāo)模糊圖像的復(fù)原效果。

1 "運(yùn)動(dòng)目標(biāo)模糊圖像復(fù)原方法

1.1 "運(yùn)動(dòng)目標(biāo)模糊圖像采集

運(yùn)動(dòng)目標(biāo)模糊圖像復(fù)原是一個(gè)從退化圖像中重構(gòu)出原始圖像的過(guò)程，而模糊圖像本身則是這一復(fù)原過(guò)程的基礎(chǔ)和起點(diǎn)。殘差網(wǎng)絡(luò)在處理圖像復(fù)原等任務(wù)時(shí)，要為其提供大量的訓(xùn)練數(shù)據(jù)。采集運(yùn)動(dòng)目標(biāo)模糊圖像不僅增加了訓(xùn)練數(shù)據(jù)的多樣性，還有助于提高殘差網(wǎng)絡(luò)對(duì)模糊圖像的識(shí)別和處理能力。

本文采用反向針孔相機(jī)模型作為攝像機(jī)成像的數(shù)學(xué)模型，采集運(yùn)動(dòng)目標(biāo)模糊圖像。利用投影平面和光心平面組成攝像機(jī)的圖投影空間[11]，將光心投射至投影平面上的垂直投影點(diǎn)，作為運(yùn)動(dòng)目標(biāo)成像主點(diǎn)。用光心表示攝像機(jī)成像模型的坐標(biāo)原點(diǎn)，設(shè)[q]點(diǎn)存在于投影平面上，該點(diǎn)與攝像機(jī)光心形成投影光線(xiàn)。投影光線(xiàn)上隨機(jī)三維點(diǎn)[O]與[q]點(diǎn)的坐標(biāo)轉(zhuǎn)換關(guān)系表達(dá)式如下：

[q～KRtO] （1）

式中：[q]與[O]分別表示旋轉(zhuǎn)矩陣以及平移向量；[K]表示攝像機(jī)的內(nèi)部參數(shù)矩陣。

結(jié)合公式（1），[K]的表達(dá)式如下：

[K=φλu00?v0001] （2）

式中：[φ]與[?]分別表示鏡頭焦距以及攝像機(jī)發(fā)光單元尺寸；[λ]與[u0v0]分別表示變形系數(shù)以及運(yùn)動(dòng)目標(biāo)坐標(biāo)。這些參數(shù)共同決定了攝像機(jī)對(duì)圖像的縮放、偏移和畸變等特性。在實(shí)際應(yīng)用中代入?yún)?shù)確定，即可得出利用反向針孔相機(jī)模型采集到的運(yùn)動(dòng)目標(biāo)模糊圖像。這種方法不僅提高了圖像采集的準(zhǔn)確性，還為后續(xù)的圖像處理和分析提供了堅(jiān)實(shí)的基礎(chǔ)。

1.2 "基于多損失函數(shù)融合方法改進(jìn)殘差網(wǎng)絡(luò)

由于殘差網(wǎng)絡(luò)的算法復(fù)雜性較高，存在特征提取不充分、噪聲干擾等問(wèn)題，在模糊程度較嚴(yán)重或噪聲干擾較大的情況下，導(dǎo)致恢復(fù)出的圖像往往無(wú)法完全達(dá)到原始圖像的清晰度和細(xì)節(jié)[12?13]。對(duì)此本文利用多損失函數(shù)融合方法對(duì)殘差網(wǎng)絡(luò)的殘差塊結(jié)構(gòu)進(jìn)行改進(jìn)，提升該網(wǎng)絡(luò)復(fù)原運(yùn)動(dòng)目標(biāo)模糊圖像時(shí)的學(xué)習(xí)性能。傳統(tǒng)的殘差塊在解決圖像復(fù)原問(wèn)題時(shí)存在梯度衰減情況，其由兩個(gè)權(quán)重層與ReLU激活函數(shù)組成，具體結(jié)構(gòu)圖如圖1所示。

針對(duì)上述問(wèn)題，本文對(duì)殘差塊進(jìn)行改進(jìn)，結(jié)構(gòu)圖如圖2所示。

改進(jìn)的殘差塊由全連接層與三個(gè)卷積核為3×3的卷積層組成，與傳統(tǒng)的殘差塊相比，它刪除了跳躍連接塊的批歸一化處理層，這使得整個(gè)網(wǎng)絡(luò)結(jié)構(gòu)更加簡(jiǎn)潔，也減少了計(jì)算復(fù)雜度。此外，使用3×3的卷積層可以更好地捕捉圖像的局部特征，有效減少了梯度衰減問(wèn)題，使得模型在訓(xùn)練過(guò)程中更加穩(wěn)定、容易收斂。同時(shí)，簡(jiǎn)化的網(wǎng)絡(luò)結(jié)構(gòu)減少了計(jì)算量，可以更有效地區(qū)分運(yùn)動(dòng)目標(biāo)模糊圖像樣本以及生成去模糊化復(fù)原圖像，提高了模型的訓(xùn)練效率。

1.3 "采用改進(jìn)殘差網(wǎng)絡(luò)實(shí)現(xiàn)運(yùn)動(dòng)目標(biāo)模糊圖像復(fù)原

基于改進(jìn)的殘差模塊，本文利用序列識(shí)別網(wǎng)絡(luò)結(jié)構(gòu)構(gòu)建編碼器?解碼器殘差網(wǎng)絡(luò)訓(xùn)練結(jié)構(gòu)，通過(guò)訓(xùn)練殘差網(wǎng)絡(luò)思維損失函數(shù)提升網(wǎng)絡(luò)的特征學(xué)習(xí)能力。傳統(tǒng)殘差網(wǎng)絡(luò)在訓(xùn)練過(guò)程中，由于網(wǎng)絡(luò)層數(shù)增加，梯度在反向傳播時(shí)可能會(huì)逐漸消失或爆炸，導(dǎo)致深層網(wǎng)絡(luò)難以訓(xùn)練。通過(guò)引入改進(jìn)的殘差模塊，使得梯度能夠直接回傳到較淺的層，有效緩解了梯度消失和爆炸的問(wèn)題，使得網(wǎng)絡(luò)能夠?qū)Ｗ⒂趯W(xué)習(xí)輸入與輸出之間的殘差部分。這種學(xué)習(xí)方式有助于網(wǎng)絡(luò)更好地捕捉圖像中的細(xì)節(jié)和紋理信息，更好地恢復(fù)出清晰的目標(biāo)邊緣和細(xì)節(jié)。

本文采用堆疊的小卷積核代替原有的大卷積核，減少了網(wǎng)絡(luò)參數(shù)數(shù)量，使其更易于訓(xùn)練。具體的殘差網(wǎng)絡(luò)訓(xùn)練結(jié)構(gòu)如圖3所示。

圖3所構(gòu)建的網(wǎng)絡(luò)結(jié)構(gòu)中，在網(wǎng)絡(luò)的編碼器部分，將3個(gè)殘差塊設(shè)置于卷積層后、解碼器的去卷積層前。網(wǎng)絡(luò)的中間部分設(shè)置各尺度的殘差塊作為圖像去模糊處理的子問(wèn)題。將前一個(gè)尺度上采樣獲取的圖像去模糊結(jié)果作為下一個(gè)尺度網(wǎng)絡(luò)的輸入，在該尺度上獲取更清晰的運(yùn)動(dòng)目標(biāo)圖像。各尺度輸出圖像的表達(dá)式如下：

[xi，hi=Myi，xi+1，hi+1;γ] （3）

式中：[i]與[M]分別表示殘差塊的尺度編號(hào)及多尺度循環(huán)網(wǎng)絡(luò)；[yi]與[xi]分別表示尺度[i]下的運(yùn)動(dòng)目標(biāo)模糊圖片以及清晰圖片；[γ]與[hi]分別表示模型訓(xùn)練參數(shù)以及編碼器的隱藏狀態(tài)特征。

所構(gòu)建網(wǎng)絡(luò)復(fù)原模糊圖像的運(yùn)算過(guò)程如下：

[fi=MEyi，xi+1;γE] （4）

[hi，gi=ConvLSTMhi+1，fi;γLSTM] （5）

[xi=MDgi;γD] （6）

式中：[ME]與[MD]分別表示編碼器以及解碼器；[γE]與[γD]分別表示編碼器與解碼器的訓(xùn)練參數(shù)；[gi]表示解碼器的隱藏狀態(tài)特征；[fi]表示映射函數(shù)；[γLSTM]表示ConvLSTM循環(huán)模塊對(duì)應(yīng)的參數(shù)。

在網(wǎng)絡(luò)編碼器中結(jié)合1.2節(jié)中改進(jìn)殘差塊的訓(xùn)練結(jié)果，改進(jìn)殘差塊的損失函數(shù)的表達(dá)式如下：

[LE=-αMDMEy] （7）

式中[α]表示平衡系數(shù)。

網(wǎng)絡(luò)解碼器中，改進(jìn)的殘差塊的損失函數(shù)表達(dá)式如下：

[LD=-αMDx-αMDMEy] （8）

綜合以上公式，獲取運(yùn)動(dòng)目標(biāo)模糊圖像復(fù)原的殘差損失表達(dá)式如下：

[L=LEMEy+LD1-MDx] （9）

通過(guò)訓(xùn)練殘差網(wǎng)絡(luò)損失函數(shù)，最終輸出運(yùn)動(dòng)目標(biāo)模糊圖像復(fù)原結(jié)果。

2 "實(shí)驗(yàn)分析

將本文方法應(yīng)用于某體育院校的籃球運(yùn)動(dòng)訓(xùn)練中。該體育院校為了提升籃球運(yùn)動(dòng)的訓(xùn)練效果，采用圖像傳感器采集運(yùn)動(dòng)員的籃球運(yùn)動(dòng)圖像，為制定籃球運(yùn)動(dòng)訓(xùn)練計(jì)劃提供依據(jù)。由于運(yùn)動(dòng)員在籃球運(yùn)動(dòng)中運(yùn)動(dòng)速度較快，傳感器采集圖像過(guò)程中存在大量的模糊圖像，為了更好地確定運(yùn)動(dòng)員的運(yùn)動(dòng)效果，運(yùn)動(dòng)目標(biāo)模糊圖像的復(fù)原效果極為重要。采集運(yùn)動(dòng)員運(yùn)動(dòng)圖像的傳感器參數(shù)設(shè)置如表1所示。

采用該傳感器采集的原始籃球運(yùn)動(dòng)模糊圖像如圖4所示。

分析圖4的原始籃球運(yùn)動(dòng)模糊圖像，由于運(yùn)動(dòng)員的運(yùn)動(dòng)速度較快，圖像采集傳感器采集的原始運(yùn)動(dòng)圖像較模糊，無(wú)法精準(zhǔn)分析運(yùn)動(dòng)員的投籃動(dòng)作。

采用本文方法對(duì)運(yùn)動(dòng)目標(biāo)模糊圖像復(fù)原，復(fù)原處理結(jié)果如圖5所示。

由圖5實(shí)驗(yàn)結(jié)果可以看出，本文方法利用改進(jìn)殘差網(wǎng)絡(luò)對(duì)運(yùn)動(dòng)目標(biāo)模糊圖像進(jìn)行復(fù)原處理后，圖像的清晰度有了明顯的提升，圖像中的運(yùn)動(dòng)目標(biāo)模糊情況被有效復(fù)原。本文方法對(duì)運(yùn)動(dòng)目標(biāo)圖像去模糊化處理，處理后的圖像與原始模糊圖像相比，其細(xì)節(jié)信息得到更好的恢復(fù)，邊緣更加清晰，顏色失真減少。復(fù)原處理后的圖像直觀(guān)表達(dá)了運(yùn)動(dòng)員的投籃動(dòng)作，為進(jìn)行籃球技術(shù)分析與制定訓(xùn)練計(jì)劃提供了可靠的圖像依據(jù)。

統(tǒng)計(jì)采用本文方法對(duì)運(yùn)動(dòng)目標(biāo)模糊圖像進(jìn)行復(fù)原后的性能。根據(jù)PSNR指標(biāo)衡量圖像質(zhì)量，較高的PSNR值表示復(fù)原圖像與原始圖像之間的差異較小，即復(fù)原效果較優(yōu)。復(fù)原前后圖像的峰值信噪比變化統(tǒng)計(jì)結(jié)果如圖6所示。

峰值信噪比用于衡量數(shù)字圖像與原始圖像之間的質(zhì)量差異。分析圖6實(shí)驗(yàn)結(jié)果可知，原始圖像質(zhì)量較差。本文方法采用改進(jìn)的殘差塊進(jìn)行模糊圖像復(fù)原，圖像的峰值信噪比均高于30 dB，明顯高于殘差塊改進(jìn)前的原始圖像。對(duì)比結(jié)果驗(yàn)證本文方法通過(guò)改進(jìn)殘差網(wǎng)絡(luò)，實(shí)現(xiàn)了圖像的復(fù)原處理，提升了圖像質(zhì)量，為運(yùn)動(dòng)目標(biāo)圖像的實(shí)際應(yīng)用，提供了可靠的基礎(chǔ)。

去模糊化復(fù)原的目標(biāo)是恢復(fù)圖像中因運(yùn)動(dòng)產(chǎn)生的模糊，使圖像的邊緣和細(xì)節(jié)更加清晰。利用結(jié)構(gòu)相似性指數(shù)衡量去模糊化算法對(duì)圖像結(jié)構(gòu)信息的恢復(fù)能力。統(tǒng)計(jì)采用本文方法對(duì)運(yùn)動(dòng)目標(biāo)模糊圖像復(fù)原前后圖像的結(jié)構(gòu)相似性變化，統(tǒng)計(jì)結(jié)果如圖7所示。

較高的結(jié)構(gòu)相似性表示復(fù)原處理后的圖像與原始圖像在結(jié)構(gòu)上具有較高的相似性，即去模糊化復(fù)原處理后，成功地保留了原始圖像的結(jié)構(gòu)信息。采用本文方法后，圖像的結(jié)構(gòu)相似性均高于0.9。復(fù)原后的圖像具有更高的結(jié)構(gòu)相似度，表明運(yùn)動(dòng)目標(biāo)模糊圖像復(fù)原結(jié)果與原圖像的接近程度更高，能夠獲取更高質(zhì)量的適用于體育訓(xùn)練應(yīng)用中的圖像。

3 "結(jié) "語(yǔ)

本文將改進(jìn)殘差網(wǎng)絡(luò)應(yīng)用于運(yùn)動(dòng)目標(biāo)模糊圖像復(fù)原中，有效提升了網(wǎng)絡(luò)對(duì)模糊圖像的特征提取能力和噪聲抑制能力。殘差網(wǎng)絡(luò)的改進(jìn)使得網(wǎng)絡(luò)能夠自動(dòng)關(guān)注到圖像中的重要特征，忽略了不重要的噪聲干擾。實(shí)驗(yàn)驗(yàn)證了該方法在復(fù)原運(yùn)動(dòng)目標(biāo)模糊圖像方面取得了顯著的效果，復(fù)原后的圖像質(zhì)量得到了顯著提升。

參考文獻(xiàn)

[1] 李尋尋，李旭健.基于GAN的自適應(yīng)殘差密集網(wǎng)絡(luò)圖像去模糊方法[J].計(jì)算機(jī)仿真，2022，39（11）：457?462.

[2] 林椹尠，張夢(mèng)凱，吳成茂.利用殘差密集網(wǎng)絡(luò)的運(yùn)動(dòng)模糊復(fù)原方法[J].智能系統(tǒng)學(xué)報(bào)，2021，16（3）：442?448.

[3] 陳輝，王碩，許家昌，等.基于多尺度特征融合生成對(duì)抗網(wǎng)絡(luò)的水下圖像增強(qiáng)[J].計(jì)算機(jī)工程與應(yīng)用，2023，59（21）：231?241.

[4] 陳喬松，隋曉旭，官旸珺，等.基于多尺度殘差生成對(duì)抗網(wǎng)絡(luò)的單圖像盲去運(yùn)動(dòng)模糊方法[J].計(jì)算機(jī)應(yīng)用研究，2021，38（3）：919?922.

[5] 聶敏，田波.多尺度殘差注意網(wǎng)絡(luò)的真實(shí)圖像復(fù)原方法[J].重慶郵電大學(xué)學(xué)報(bào)（自然科學(xué)版），2022，34（6）：1021?1031.

[6] 方睿，周愉，劉鵬，等.基于多尺度循環(huán)殘差神經(jīng)網(wǎng)絡(luò)的圖像去運(yùn)動(dòng)模糊[J].計(jì)算機(jī)工程與設(shè)計(jì)，2022，43（3）：786?793.

[7] 王向軍，歐陽(yáng)文森.多尺度循環(huán)注意力網(wǎng)絡(luò)運(yùn)動(dòng)模糊圖像復(fù)原方法[J].紅外與激光工程，2022，51（6）：460?468.

[8] 魏海云，鄭茜穎，俞金玲.基于多尺度網(wǎng)絡(luò)的運(yùn)動(dòng)模糊圖像復(fù)原算法[J].計(jì)算機(jī)應(yīng)用，2022，42（9）：2838?2844.

[9] PANETTA K， KEZEBOU L， OLUDARE V. Comprehensive underwater object tracking benchmark dataset and underwater image enhancement with GAN [J]. IEEE journal of oceanic engineering， 2022， 47（1）： 59?75.

[10] 金燕，黃夢(mèng)佳，姜智偉.基于聚集殘差生成對(duì)抗網(wǎng)絡(luò)的圖像去模糊[J].計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào)，2022，34（1）：84?93.

[11] 李亞超，劉可文，馬圓，等.基于殘差注意力網(wǎng)絡(luò)的圖像超分辨率重建方法[J].武漢理工大學(xué)學(xué)報(bào)，2022，44（3）：87?93.

[12] 魏丙財(cái)，張立曄，孟曉亮，等.基于深度殘差生成對(duì)抗網(wǎng)絡(luò)的運(yùn)動(dòng)圖像去模糊[J].液晶與顯示，2021，36（12）：1693?1701.

[13] 楊?lèi)?ài)萍，李磊磊，張兵，等.基于輕量化漸進(jìn)式殘差網(wǎng)絡(luò)的圖像快速去模糊[J].電子與信息學(xué)報(bào)，2022，44（5）：1674?1682.