2008-TOG - High-quality motion deblurring from a single image

项目地址：http://www.cse.cuhk.edu.hk/~leojia/projects/motion_deblurring/index.html
香港中文大学 贾佳亚团队

• 分析了振铃现象（ringing artifacts）产生的原因
• 改进了噪声模型，保证噪声分布在空间上是随机的，非结构化的
• 概率模型（probabilistic model）到能量最小化问题，基于MAP
• 图像先验分为：（全局）分段函数拟合图像梯度的对数密度（重尾分布），（局部）在观测图像对比度较低的区域对潜在（latent）图像施加平滑度约束
• 模糊核先验：指数分布，在能量中对应为一范数（取了负对数negative logarithm）
• 优化过程介绍很详细，包括一些优化细节

在假设模糊核具有平移不变性（shift-invariant），去模糊问题褪变成图像去卷积问题。该问题是不适定的，且由于自然图像结构的复杂性和模糊核形状的多样性，使得设置的概率先验容易过拟合或欠拟合。

The complexity of natural image structures and diversity of blur kernel shapes make it easy to over- or under-fit probabilistic priors.

振铃效应一般出现在图像的强边缘附近

文章分析了振铃效应不是吉伯斯现象（Gibbs phenomenon）造成的，而是图像噪声或者模糊核偏差的原因：
$$\begin{array}{rl}\mathbf{I}& =({\mathbf{L}}^{\prime }+\mathbf{\Delta }\mathbf{L})\otimes ({\mathbf{f}}^{\prime }+\mathbf{\Delta }\mathbf{f})+\mathbf{n}\\ & ={\mathbf{L}}^{\prime }\otimes {\mathbf{f}}^{\prime }+\mathbf{\Delta }\mathbf{L}\otimes {\mathbf{f}}^{\prime }+{\mathbf{L}}^{\prime }\otimes \mathbf{\Delta }\mathbf{f}+\mathbf{\Delta }\mathbf{L}\otimes \mathbf{\Delta }\mathbf{f}+\mathbf{n}\end{array}$$
${\mathbf{L}}^{\prime }$和${\mathbf{f}}^{\prime }$为当前估计值，$\mathbf{\Delta }$表示误差。从公式后半部分可以看出，
如果噪声$\mathbf{n}$没有被很好地建模，算法容易将误差$\mathbf{\Delta }\mathbf{L}$和$\mathbf{\Delta }\mathbf{f}$误认为是噪声项的一部分，使得估计过程不稳定，难以解决。
之前的方法一般将$\mathbf{n}$或者$\partial \mathbf{n}$建模成零均值高斯分布，文章认为该模型由于没有捕捉到图像噪声的一个重要特性，即图像噪声表现出的空间随机性。

文章通过对噪声的多阶导数进行约束来建模噪声的空间随机性。

In our formulation, we model the spatial randomness of noise by constraining several orders of its derivatives.

导数通过相邻像素之间的前向差来计算${\partial }_{x}n(x,y)=n(x+1,y)-n(x,y)$。

一般的，对噪声建模，${\prod }_i\mathbf{N}(n_i|0,{\zeta }_0)$
对噪声一阶导数建模：${\prod }_i\mathbf{N}(\partial n_i|0,{\zeta }_1)$ 则：${\zeta }_1=\sqrt{2}{\zeta }_0$,
同理 q 阶导数 ${\zeta }_q=\sqrt{2}{\zeta }_{q-1}=\sqrt{2^q}{\zeta }_0$。

---

数据项定义为：

其中 Θ = { ∂ 0 , ∂ x , ∂ y , ∂ x x , ∂ y y , ∂ x y } \Theta=\{\partial^0,\partial_x,\partial_y,\partial_{xx},\partial_{yy},\partial_{xy}\} Θ={∂0,∂x​,∂y​,∂xx​,∂yy​,∂xy​},$\mathbf{n}=\mathbf{L}\otimes \mathbf{f}-\mathbf{I}$

---

模糊核先验：$p(\mathbf{f})={\prod }_j{e}^{-\tau f_j}$

潜在图像先验：$p(\mathbf{L})=p_g(\mathbf{L})p_l(\mathbf{L})$



$\Omega$为检测出的局部平滑区域，$\Phi (x)$为了近似图像梯度的重尾分布：

优化

能量最小化问题：$E(\mathbf{L},\mathbf{f})=-\log (p(\mathbf{L},\mathbf{f}|\mathbf{I}))$

采用变量替换和交替优化的方式求解。