摘要

在传统的单图像运动去模糊方法中，粗到精（coarse-to-fine）策略被广泛采用；然而，在深度学习背景下，现有的多尺度算法不仅需要借助复杂的模块来融合低分辨率RGB图像与深层语义特征，还需人工生成低分辨率图像对，而这些图像对往往缺乏足够的可信度。针对上述问题，本文提出一种基于单输入多输出（Single-Input Multiple-Output, SIMO）架构的多尺度网络，用于运动去模糊任务，有效简化了传统粗到精框架的算法复杂性。为缓解多尺度结构带来的细节信息恢复缺陷，我们结合真实世界模糊轨迹的特性，引入可学习的小波变换模块，重点捕捉模糊图像到清晰图像之间逐步过渡过程中的方向连续性与频率特征。最终，本文提出一种基于可学习离散小波变换（Learnable Discrete Wavelet Transform, MLWNet）的多尺度网络，在多个真实世界去模糊数据集上均取得了当前最优的性能表现，无论在主观视觉质量、客观评价指标，还是计算效率方面均展现出显著优势。