ICCV 2025 | 去模糊新范式!残差引导 + 图像金字塔,强噪声下核估计精度提升 77%,SOTA 到手

在低光照摄影或长曝光拍摄中,我们常常面临一个棘手问题:图像不仅模糊,还充斥着大量噪声。传统盲去模糊方法在这种情况下往往"束手无策"------要么过度平滑丢失细节,要么保留噪声导致图像失真。ICCV 2025最新研究《Blind Noisy Image Deblurring Using Residual Guidance Strategy》提出的残差引导策略(RGS),为解决这一难题提供了突破性方案。

论文信息

题目:Blind Noisy Image Deblurring Using Residual Guidance Strategy
基于残差引导策略的盲去噪图像去模糊
作者:Heyan Liu、Jianing Sun、Jun Liu、Xi - Le Zhao、Tingting Wu、Tieyong Zeng

为何传统方法在噪声面前失效?

盲图像去模糊的核心挑战在于:从单张模糊图像中同时恢复清晰图像和模糊核。当图像存在强噪声时,这个问题变得更加复杂。

如图所示,随着噪声水平提高(σ从0.01到0.1),传统方法估计的模糊核逐渐失真甚至完全崩溃。这是因为:

  • 噪声会干扰模糊核的准确估计

  • 去模糊与去噪之间存在难以平衡的矛盾

  • 高分辨率尺度下噪声被放大,进一步影响恢复质量

残差引导策略:跨尺度信息的智能利用

论文的核心创新在于提出了残差引导策略(RGS),通过图像金字塔中不同尺度的信息交互,实现噪声抑制与细节保留的平衡。

方法总体框架

残差引导策略的总体框架

整个方法采用由粗到精的处理流程:

  1. 构建模糊图像的金字塔结构(从粗到细多个尺度)

  2. 在最粗尺度初始化模糊核估计

  3. 利用残差引导策略跨尺度传递信息

  4. 逐步细化每个尺度的模糊核

  5. 最终通过非盲去模糊获得清晰图像

残差引导的核心机制

残差引导策略的工作原理

RGS的关键步骤包括:

  1. 残差计算:计算当前尺度模糊图像与上一尺度估计结果的差异(包含噪声和细节)

    • 残差 = 原始模糊图像 - 上一尺度结果的上采样
  2. 残差滤波:使用引导滤波器对残差进行平滑,保留结构信息同时抑制噪声

  3. 图像校正:用处理后的残差校正当前尺度的模糊图像

  4. 核估计优化:基于校正后的图像迭代优化模糊核

这种设计的巧妙之处在于:它不直接对原始图像去噪,而是通过处理残差来平衡去模糊与去噪,既避免了过度平滑,又能有效抑制噪声。

实验结果:全面超越现有方法

研究团队在四个权威数据集(Lai、Levin、人脸图像、Realblur)上进行了大量实验,从定量和定性两方面验证了方法的优越性。

定量指标领先

在PSNR(峰值信噪比)、SSIM(结构相似性)、LPIPS(感知相似性)和MNC(核相似性)等指标上,该方法均显著领先于现有方法:

  • PSNR平均提升1-2dB

  • SSIM提升0.03-0.05

  • LPIPS降低0.05-0.1(数值越低越好)

  • MNC更接近1(表示估计核与真实核更相似)

视觉效果对比

不同方法的去模糊结果对比

从图中可以清晰看到:

  • 传统方法(b-c)和深度学习方法(d-h)要么保留大量噪声,要么产生明显伪影

  • 本文方法(i)能够同时去除模糊和噪声,保留更多细节(如建筑结构和车辆纹理)

真实场景表现

真实世界图像去模糊结果

在Realblur真实数据集上,该方法成功解决了其他方法产生的振铃伪影问题,尤其在处理图像角落的文字和数字时表现出色。

残差引导策略的普适性

该研究的另一个重要发现是:RGS可以作为"插件"增强其他去模糊方法的抗噪声能力。

RGS对其他方法的性能提升

将RGS应用于Dong等人的方法后:

  • 模糊核估计更接近真实值

  • 去模糊结果的纹理细节更丰富

  • 噪声抑制效果显著提升

这种普适性意味着RGS可以广泛应用于现有方法,推动整个领域在噪声鲁棒性方面的进步。

为什么无需训练却能超越深度学习方法?

与深度学习方法相比,该方法具有三大优势:

  1. 无需大规模训练数据:避免了数据驱动方法对数据集的依赖

  2. 计算成本更低:不需要复杂的神经网络推理过程

  3. 可解释性强:基于明确的物理模型和数学原理

不同噪声水平下的稳定性验证

100次重复实验的低方差结果(PSNR方差5.1×10⁻³)证明了方法的稳定性和可靠性。

总结与展望

这项研究通过创新性的残差引导策略,在盲去模糊领域实现了三个突破:

  1. 提出了抗噪声的盲去模糊框架,解决了强噪声下核估计失真问题

  2. 设计了可迁移的残差引导策略,能增强多种现有方法的性能

  3. 在无需训练的情况下,实现了对深度学习方法的超越

未来,研究团队计划探索更强大的滤波器替代方案,进一步提升在极端噪声条件下的处理能力。这一工作为解决实际场景中的盲去模糊问题提供了新的思路,有望在监控摄像、夜间摄影、医学影像等领域得到广泛应用。

相关推荐
菜鸟~noob2331 分钟前
[AI]间章:系列走到这里,聊聊后面的规划、造卡需要的软件平台,以及为什么我要先暂停更新
人工智能·python·fpga开发·django·pygame
aneasystone本尊10 分钟前
大模型训练系列收官:动手训一个属于自己的小模型
人工智能
杨凯凡17 分钟前
Spring AI MCP 多租户安全实战:共享 Session 会串数据吗?工具权限与隔离边界
人工智能·安全·spring
chh5639 小时前
从 BERT 到大模型:让模型从“会接龙”到“会回答
人工智能·深度学习·bert
TomEval10 小时前
【测AI】第26篇:线上模型监控与告警体系 — 测试不是终点
人工智能·python·功能测试·ai
ZhengEnCi10 小时前
AI 总模仿代码库里的过时写法怎么办:先清坏样例,再用类型与测试让 AI 无法犯错
人工智能·ai编程
一只爱撸猫的程序猿11 小时前
五周、两个开源仓库、九次拦截之后:AI 时代程序员缺的到底是什么
人工智能·后端·开源
GitCode官方11 小时前
开源鸿蒙跨平台直播|AI 时代,用 cj-tauri 开发鸿蒙 PC 应用
人工智能·华为·harmonyos·atomgit
老金带你玩AI12 小时前
GPT-6.2更强更便宜了,为什么还有人骂?
人工智能
CyrusYiVPP12 小时前
实测 uv 0.13.7:同一套包,pip 装 94 秒,它只用 19 秒
人工智能·python