《Two-Phase Kernel Estimation for Robust Motion Deblurring》

这篇论文的标题是《Two-Phase Kernel Estimation for Robust Motion Deblurring》，作者是 Li Xu 和 Jiaya Jia，来自香港中文大学计算机科学与工程系。这篇论文主要讨论了在运动模糊图像恢复中，核估计和非盲去卷积的新问题和方法。下面是对论文各部分的详细解读：

论文链接：robust_motion_deblurring.pdf (cuhk.edu.hk)

1. 引言 (Introduction)

• 问题背景：运动模糊是计算机视觉和图形学中的一个热点问题，涉及到问题表述、正则化和优化等挑战。
• 现有方法：近期的单图像方法部分成功归功于对潜在图像或运动模糊核使用了各种稀疏先验。
• 问题识别：作者发现，在某些情况下，强边缘并不总是有助于核估计，反而可能降低估计质量。
• 新方法：提出了一个新的两阶段核估计算法，以及一个基于空间先验和迭代支持检测(ISD)核细化的高效高质量核估计方法。

1.1 相关工作 (Related Work)

• 盲去卷积：早期工作集中在估计小尺寸模糊核，近期方法使用稀疏先验和多尺度框架估计复杂运动模糊PSF。
• 非盲去卷积：已知模糊PSF的情况下，恢复未模糊图像的过程。早期方法如Richardson-Lucy或Wiener滤波对噪声敏感，后来的方法使用总变分正则化等。

2. 两阶段稀疏核估计 (Two-Phase Sparse Kernel Estimation)

运动去模糊中的模糊。(a)中的两个潜在信号(绿色虚线)和(b)是模糊的(蓝色)，具有相同的高斯核。在(a)，模糊信号不是全变分保持的，使得核估计具有模糊性。在事实上，在普通情况下，红色曲线比绿色曲线更像是潜在信号优化的过程。底部的橙色线表示输入内核的宽度。

图 1 展示了运动模糊中的歧义问题。它展示了两个潜在信号（绿色虚线）被相同的高斯核模糊后的结果（蓝色显示）。在 (a) 中，模糊信号没有保持全变分，导致核估计存在歧义。实际上，在常见的优化过程中，红色曲线比绿色曲线更可能是潜在信号。底部的橙色线表示输入核的宽度。

图 2 展示了图像结构对核估计的影响。(a) 是模糊的输入图像。(b) 和 (c) 是分别使用 Fergus 等人 [1] 和 Shan 等人 [3] 的方法得到的结果。(d) 展示了 r 映射（通过公式 (2) 计算）。(e)-(g) 使用 Poisson 重建可视化了在第 1、2 和第 7 次迭代中不考虑 r 的 ∇Is 映射。(h) 展示了没有使用 r 映射的去模糊结果。(i)-(k) 根据公式 (4) 计算的 ∇Is 映射。(l) 是我们最终的结果。模糊 PSF 的大小为 45×45。

图 3 比较了使用稀疏 ∥∇I∥2 和空间 ∥∇I − ∇Is∥2 先验的结果。空间先验使得 (d) 中的结果保留了更多的锐利边缘。

图 4 展示了稀疏核细化。(a) 是一张模糊的图像 [13]。(b) 展示了核估计，包括真实核、Fergus 等人 [1]、Shan 等人 [3] 的核估计，以及我们方法在第一阶段的核估计，以及 ISD 方法迭代检测到的支持区域。(c) 使用我们计算的 PSF 得到的恢复图像

细化公式

• 模型：模糊过程建模为潜在图像与模糊核的卷积加上图像噪声。
• 第一阶段：核初始化：使用高斯先验在多尺度设置中估计模糊核，以实现高效率。
  • 算法1：描述了核初始化的过程，包括锐利边缘构建、核估计和粗糙图像恢复。
• 
• 第二阶段：基于ISD的核细化：使用迭代支持检测方法来确保在去模糊质量的同时去除噪声。
  • 算法2：描述了基于ISD的核细化过程。

3. 快速TV-ℓ1去卷积 (Fast TV-ℓ1 Deconvolution)

• 模型：提出了一个TV-ℓ1模型用于去卷积，包含数据和正则化项的非线性惩罚。
• 算法3：描述了一个基于半二次分裂的高效交替最小化方法来解决TV-ℓ1去卷积问题。

细化公式

4. 更多实验结果 (More Experimental Results)

• 展示了几个具有挑战性的例子，其中图像因相机抖动而具有很大的模糊核。
• 对比其他方法，展示了作者方法的有效性。

5. 结论 (Concluding Remarks)

• 问题识别：作者指出当潜在图像中存在显著的强且狭窄的结构时，运动去模糊可能会失败。这是因为这些结构在模糊过程中可能会引起歧义，从而影响核估计的准确性。

• 有效性掩模计算：为了解决上述问题，作者提出了一种有效的掩模计算算法。这种算法能够自适应地选择对核估计有用的边缘，即通过选择性地包含图像中的边缘信息来提高核估计的准确性。

• 迭代支持检测（ISD）核细化：ISD 方法进一步通过自适应正则化改进了结果的质量。在核细化阶段，ISD 方法通过迭代地保护具有大值的PSF元素，同时放松正则化惩罚，从而在优化过程中保持了PSF的稀疏性。

• TV-ℓ1数据项：在最终的去卷积步骤中，作者使用了 TV-ℓ1 数据项，这有助于提高对噪声的鲁棒性。TV-ℓ1 正则化项鼓励图像梯度的稀疏性，这有助于去除噪声并保持图像的边缘信息。

• 迭代优化方案：作者提出了一种新的迭代优化方案来解决包含 TV-ℓ1 正则项的去卷积问题。这种方案基于半二次分裂技术，能够有效地处理非线性问题，并在实际应用中表现出较快的收敛速度。

• 广泛的实验验证：作者通过广泛的实验测试了他们的算法，结果表明，该算法能够处理具有非常大模糊核的图像。这得益于选择性边缘图的使用，它提高了算法在处理复杂模糊情况时的鲁棒性。

• 参数设置：作者提到他们的算法通常允许使用默认或自动适应的参数值，这简化了实际应用中的参数调整过程。

• 效率：作者强调了他们的方法在效率上的优势。在核估计阶段，算法能够快速地从图像中估计出模糊核，即使在具有较大模糊核的图像上也能保持较高的效率。

• 项目网站：作者提供了一个在线项目网站，其中包括运动去模糊的可执行文件和图像数据，供有兴趣的研究者和开发者进一步探索和使用。Robust Motion Deblurring (cuhk.edu.hk)

对比图片

• 。
• 
• 

这篇论文提出了一种新的运动去模糊方法，通过两阶段的核估计和迭代支持检测细化，提高了去模糊的鲁棒性和质量。论文还包含了大量的实验结果，证明了所提方法的有效性。