Revisiting the Regularizers in Blind Image Deblurring With a New One

首先是这个题目，a new one，不知道这个题目是怎么通过的。

这篇论文实际上是提出了一个称为 redescending potential (RDP) function的罚函数。所谓重降函数，实际上就是一个先升后降的函数，图像先验的正则项是关于图像梯度的罚函数。很会讲故事，为了与偏微分方法扯上关系，称之为势函数。高大上的偏微分方程的推导，得出的结论是$\varphi$函数可以作为salient细节和faint细节的判别器。镜头一转就到了由RDP导出的正则项可以作为模糊图像和清晰图像的判别器，由于模糊图像的faint细节比清晰图像多，进而得出结论：模糊图像的RDP正则项大于清晰图像的正则项。通过最小化这个正则化项，让最优解偏向清晰图像。

我认为故事可以直接从“模糊图像的faint细节比清晰图像多”讲起，构造先升后降的罚函数，对模糊图像的惩罚比清晰图像的大，因此，最小化这个正则化项，使解偏向清晰图像。

至于如何找这个罚函数，是[28]中那些loss的导函数。至于哪个更能反映图像实际的统计特征，是多个先升后降函数的实验结果。

之后是半二次分裂求解，这部分中的t是分解使用的辅助变量，与偏微分方程中的时间t不是一个变量。

这是AI生成带火了扩散过程的结果。本来可以很简单的说明问题，非要说的很复杂。就是想让reviewers看起来高大上的感觉。