[论文阅读]Blind Image Deblurring Using Dark Channel Prior

[论文阅读]Blind Image Deblurring Using Dark Channel Prior

作者提出了一种基于暗通道先验的图像去模糊方法，这种方法并不是基于深度学习的。

本文贡献

1. 从理论上证明了模糊卷积运算增加了暗通道像素的值；
2. 作者使用3200对干净和模糊图像对的数据集来验证关于暗通道稀疏性的分析；
3. 引入L0正则化项增强图像暗通道的稀疏性，并提出了一种有效的优化方案；
4. 在文本、人脸和低光等去模糊任务中，取得了优秀的性能。

笔记

1. 暗通道稀疏度的变化是模糊过程的固有属性，作者通过数学方法证明了这一点。
   实际上，限定$0\le 卷积核的元素\le 1$，这是符合显示情况的约束条件。卷积核越大，越符合现实情况。
2. 加强暗通道的稀疏性有助于在各种场景下进行盲去模糊，包括了低照度图像。
   针对大部分任务，作者展示了不同方法对相同图片的恢复效果，直观地比较了方法有效性。
3. 技术方法：
   1. 引入了$min$算子的线性逼近来计算暗通道，该方法在实际应用中收敛速度快，可以直接推广到非均匀去模糊。
      收敛速度能有多快？从图像上能看出来收敛，但是没办法定义出一个快。
      非均匀去模糊是什么？同一图像中的不同区域是由不同模糊核生成，因此其模糊核是非均匀的。
      平均核相似度是什么？在机器学习和模式识别领域中用来衡量两个样本集之间相似度的一个指标。核函数 K(x, y)K(x,y) 能够计算两个样本X和Y在高维特征空间中的内积。核相似度可以通过计算两个样本集之间的所有可能样本对的内积的平均值来得到。这个值越大，表示两个样本集之间的相似度越高。（代码还没看）
   2. 对L0正则化项进行优化，使用了半二次分裂L0最小化方法（half-quadratic splitting L0 minimization approa）。
4. 为了解释为什么模糊图像的暗通道不那么稀疏，作者推导了模糊卷积操作的一些性质