摘要

由于动态场景中因相机抖动和物体运动在不同场景深度下引起的空间异质模糊，对动态场景拍摄图像进行去模糊处理极具挑战性。尽管近年来基于深度神经网络的方法在该问题上取得了显著进展，但其模型通常规模庞大且计算开销较高。本文提出一种新型的空间异质神经网络以解决该问题。所提出的网络由三个深度卷积神经网络（CNN）和一个循环神经网络（RNN）组成：其中RNN作为反卷积算子，作用于由其中一个CNN从输入图像中提取的特征图；另一个CNN用于在每个空间位置学习RNN的权重，从而使RNN具有空间异质性，能够隐式地通过空间变化的卷积核建模去模糊过程；第三个CNN则用于将最终的去模糊特征图重构为恢复后的图像。整个网络可端到端训练。分析表明，即使模型规模较小，所提网络仍具备较大的感受野。在公开数据集上的定量与定性评估结果表明，该方法在准确性、运行速度和模型尺寸方面均优于当前最先进的算法。