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：
-
构建模糊图像的金字塔结构（从粗到细多个尺度）
-
在最粗尺度初始化模糊核估计
-
利用残差引导策略跨尺度传递信息
-
逐步细化每个尺度的模糊核
-
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：
-
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
-
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
-
图像校正：用处理后的残差校正当前尺度的模糊图像
-
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：
-
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
-
计算成本更低：不需要复杂的神经网络推理过程
-
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：
-
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
-
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
-
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。