文章来源：计算机书童。
你是否遇到过这样的尴尬：拍了一张超美的风景照，却因为手一抖变成了模糊的“抽象画”？或者珍藏的老照片因为年代久远，细节早已模糊不清？图像去模糊技术就是为解决这些问题而生的，但传统方法要么恢复效果差，要么处理速度慢。
今天要给大家介绍一篇TCSVT 2025的最新研究——《Efficient Non-Blind Image Deblurring With Discriminative Shrinkage Deep Networks》，研究者们提出了一种叫DSDNet的新模型，把非盲图像去模糊的效果和效率都提升到了新高度！
论文信息 题目：Efficient Non-Blind Image Deblurring With Discriminative Shrinkage Deep Networks 高效的基于判别收缩深度网络的非盲图像去模糊 作者：Pin-Hung Kuo、Jinshan Pan、Shao-Yi Chien、Ming-Hsuan Yang 为什么图像去模糊这么难？
在聊新方法之前，先说说非盲去模糊的“痛点”。非盲去模糊是指已知模糊核（可以理解为“模糊的原因”）的情况下，从模糊图像恢复清晰图像。这个过程就像解一道复杂的数学题，需要平衡两个关键部分：
数据项 ：保证恢复的图像和原始模糊图像“对得上”
正则化项 ：让恢复的图像符合自然图像的规律（比如不能太离谱）
传统方法要么靠人工设计这两个部分的规则，效果有限；要么用深度学习但忽略了反卷积子问题，导致恢复不彻底。更麻烦的是，常用的FFT方法会产生“振铃伪影”（就像图像周围有波纹），而共轭梯度法（CG）又特别慢，训练模型时能急死人！
DSDNet：把复杂问题“打包”解决
研究者们提出的判别收缩深度网络（DSDNet），最大的亮点就是把所有难题整合到一个端到端的网络里，让机器自己学怎么去模糊。先来看一张总体结构图，一目了然：
DSDNet用了一种叫Maxout层的结构，专门学“收缩函数”。简单说，这个函数能像“智能橡皮擦”一样，自动去掉图像里的模糊成分——小的噪声信号直接抹掉，重要的细节保留并增强。
和传统的手工设计函数相比，Maxout层就像给网络装了个“万能工具包”，能适应各种不同的模糊情况。实验显示，这个设计让PSNR（衡量图像质量的指标）直接提升了0.4dB，效果立竿见影！
核心创新点二：KryNet反卷积网络，又快又好
解决反卷积子问题时，研究者们祭出了大招——KryNet。这个子网络基于Krylov子空间方法设计，理论基础扎实，完美避开了FFT和CG的坑：
没有FFT那种讨厌的振铃伪影
比CG快得多，训练时更稳定
全卷积设计，能端到端训练
看看下面的对比图，KryNet在恢复细节时简直是“火眼金睛”：
（BSD100数据集上的效果：上两行3%噪声，下两行5%噪声，红框处DSDNet完美恢复了辐条细节）
核心创新点三：细节优化，效率拉满
除了大框架，研究者们还做了不少“小改进”，让模型又轻又快：
权重共享 ：不同阶段共享参数，参数减少58%，计算量降33%，但性能几乎没损失
门控架构 ：用更智能的门控前馈网络替代传统ReLU，特征提取能力更强
失真损失函数 ：不仅让恢复的图像像“标准答案”，还让它经过模糊后能还原成输入，相当于给模型加了“双保险”
说了这么多，效果到底怎么样？看数据说话：
定量指标全面领先
在LEVIN、BSD100等多个权威数据集上，DSDNet的PSNR、SSIM等指标都是第一名。特别是在噪声较多的情况下（比如5%噪声），优势更明显。
（LAI数据集上的表现，DSDNet在多类图像中都是最优）
视觉效果惊艳
光看数字不够，直接看图：
在LAI数据集的测试中，其他方法都没能恢复绿色框里的纹理，只有DSDNet做到了：
真实模糊图像（PAN数据集）上，DSDNet恢复的字母边缘更清晰：
模型效率同样出色：
DSDNet+E（高效版）是所有方法中速度最快的
DSDNet+P（性能版）效果比SVMAP好，速度却快一倍多
参数量和计算量远低于同类方法
（左图：相同计算量下PSNR最高；右图：相同效果下速度最快）
一点小遗憾
当然，DSDNet也不是万能的。面对严重过曝或欠曝的图像（比如强光下的照片），恢复效果会打折扣，容易产生伪影。不过研究者们表示，这也是未来改进的方向。
总结
这篇论文提出的DSDNet，通过整合判别收缩函数、KryNet反卷积网络和多项优化设计，让非盲图像去模糊在效果和效率上都实现了突破。无论是手机拍照的手抖模糊，还是老照片修复，都有望从中受益。
如果你也对图像恢复感兴趣，不妨去看看论文原文（附链接：https://setsunil.github.io/DSD/），里面有更多技术细节和实验结果
热门跟贴