Blind Deblurring for Saturated Images论文阅读

1. 论文的研究目标与意义

1.1 研究目标

论文旨在解决饱和模糊图像（Saturated Blurry Images）的盲去模糊（Blind Deblurring）问题。传统盲去模糊方法基于线性模糊模型（即 $B=I\otimes K$），但饱和像素（Saturated Pixels）会违反这一假设，导致算法在饱和区域附近产生错误估计。例如，夜间拍摄的图像常因长时间曝光产生运动模糊，同时因强光源导致局部饱和。现有方法通过排除饱和像素进行优化，但会丢失重要的边缘信息，尤其是当饱和区域较大时，可用信息不足会导致核估计失败。

1.2 实际意义

• 产业应用：提升低光环境（如夜间摄影、监控摄像）下的图像恢复质量，改善自动驾驶、安防监控等场景的视觉数据可用性。
• 学术价值：提出一种更通用的模糊模型，突破传统线性模型的限制，为后续研究提供新思路。

---

2. 创新方法与模型

2.1 新模糊模型与公式

2.1.1 潜在图（Latent Map）的引入

传统模型假设模糊过程为线性卷积，但饱和像素的亮度值被传感器截断（Clipping），导致模型不匹配。作者提出以下非线性模型：
$$\begin{array}{rl}B& =M\circ (I\otimes K),\\ \text{s.t.}{M}_i& =\{\begin{array}{ll}1& \text{if }(I\otimes K{)}_i\\ \frac{1}{(I\otimes K{)}_i}& \end{array}\end{array}$$