去模糊相关工作

本文主要是介绍去模糊相关工作，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

2011-CVPR - Blur kernel estimation using the radon transform
Cho等人2011年提出通过检测和分析模糊图像中的阶跃边缘（step edge），构造出模糊核不同角度的Radon变换，通过逆变换恢复模糊核。该过程不涉及反复的去卷积操作来计算潜在图像，显著加快了模糊核估计过程。

2012-ECCV - Blur-kernel estimation from spectral irregularities
Goldstein和Fattal 2012年提出直接从输入图像中近似得到模糊核的功率谱（power spectrum），然后使用改进的相位恢复算法（phase retrieval）恢复模糊核。该过程类似2011-cvpr不需要反复地通过最大后验概率来重构潜在图像。
使用幂律模型（power-law model）以及专用的光谱白化公式

2013-CVPR - Unnatural L0 sparse representation for natural image deblurring
Xu等人2013年提出通过分段函数近似 $\ell_0$ 范数作为图像梯度正则项，保留了强稀疏性的同时，具有良好的数学性质，避免了在优化过程中使用额外的边缘提取操作。

2013-CVPR - Handling noise in single image deblurring using directional filters
Zhong等人的2011-cvpr工作的基础上对输入图像应用一系列不同方向的定向低通滤波器（directional low-pass filters），并从每个滤波后的图像中估计模糊核的准确Radon变换，增强算法对噪声的鲁棒性。

2013-ICCP - Edge-based blur kernel estimation using patch priors
Sun等人预先从500张自然图像中提取边缘图像块，通过K-Means聚类获取具有代表性的样本图像块，这些图像块近似涵盖了所有图像中的边、角等元结构，称之为块先验。在迭代过程中约束潜在图像块与样本块之间的相似性，生成高质量的潜在图像，利于模糊核估计。
（多尺度）

2014-CVPR - Deblurring Text Images via L0 -Regularized Intensity and Gradient Prior
Pan等人针对文本图像二值特性提出同时对图像灰度及其梯度施加 $\ell_0$ 范数正则化，取得了显著的效果，同时对于非文本和低光场景依然有效。

2014-CVPR - Deblurring Low-light Images with Light Streaks
Zhe等人认为低光图像中的光条纹（light streak）粗略描绘了模糊核的形状，通过功率谱度量（power-spectrum-based metric）自动检测输入图像中“良好”的光条纹来辅助模糊核估计。除此之外，文章还使用了超拉普拉斯分布作为图像梯度稀疏先验（对应的正则项为 $\ell_{0.8}$ ）。
（非盲）

2014-ECCV - Hybrid Image Deblurring by Fusing Edge and Power Spectrum Information
Yue等人提出一种混合方法，将基于边缘【fast motion】和基于功率谱【】的先验相结合，减少图像中的强边缘对核功率谱估计的影响，以获得更鲁棒的去模糊效果。

2014-ECCV - Deblurring Face Images with Exemplars
Pan等人提出了基于样例的人脸图像去模糊方法，类似2013-iccp该方法预先收集了2435张不同表情和姿势的人脸样例集，查找与输入图像最匹配的样例，利用样例图像中的结构信息促进模糊核估计，解决了由于人脸图像纹理稀疏导致的模糊核估计的困难。

2014-ECCV - Blind deblurring using internal patch recurrence
Michaeli和Irani将图像超分辨工作中针对自然图像使用的内部块跨尺度复现性（internal patch cross-scale recurrence）先验用于图像盲去模糊。在清晰的自然图像中，图像块在不同尺度上大概率会出现与其相似的图像块，而在模糊图像中，这种跨尺度复现显著减少。通过最大化这种跨尺度的块相似性寻找最优模糊核。

2015-EMMCVPR- Blind Deconvolution via Lower-Bounded Logarithmic Image Priors
Perrone等人使用 $\ell_2$ 范数的对数作为图像正则项，称之为对数图像先验。在极限条件下，对数先验近似于 $\ell_0$ 范数，但其能量形式更简单易于优化，在对模糊核不加任何约束下就能够达到不错的效果。

2015-CVPR - Kernel Fusion for Better Image Deblurring
Mai和Liu 提出将现有的多个盲去模糊算法估计出的模糊核进行融合，利用算法间的互补性解决单个算法对于某些场景失效的问题。

2015-ICCV - Class-Specific Image Deblurring
Anwar等人提出一种指定类别的图像盲去模糊，通过从该类别对应的一组训练数据中恢复潜在图像丢失的空间频率信息。相比图像梯度稀疏先验，使恢复出的图像细节纹理信息更丰富，但与2014-eccv类似，需要额外的数据集支持，应用场景比较有限。

2016-CVPR - Robust Kernel Estimation with Outliers Handling for Image Deblurring
Pan等人针对图像中常见的异常值（非高斯噪声）提出鲁棒的核估计算法。在核估计过程中，使用 $\ell_1$ 范数作为数据项处理非高斯噪声，利用二分类思想标识出图像中出现异常值的位置并特殊对待。

2016-CVPR - Blind image deconvolution by automatic gradient activation
Gong等人提出了一种梯度激活方案，相比梯度稀疏先验，该方法显式地选择图像梯度的子集，并基于激活的梯度估计模糊核，梯度激活过程中可以有效避免非高斯噪声等异常值的影响。

2017-CVPR - Image deblurring via extreme channels prior
Yan等人基于Pan-2016提出亮通道（bright channel prior）先验，即模糊过程使清晰图像中的亮像素减少，联合暗通道先验得到极致通道先验（extreme channels prior），进一步提升了算法的效果和鲁棒性。

2017-ICCV - Blind Image Deblurring with Outlier Handling
Dong等人提出一种新的数据项形式代替传统的 $\ell_2$ 范数形式。新数据项对于正常值的响应近似于 $\ell_2$ ，对于异常值得响应近似于一个常数，因此从能量模型上增强了对异常值的鲁棒性。

2017-ICCV - Self-paced Kernel Estimation for Robust Blind Image Deblurring
Gong等人在原有工作Gong-2016的基础上提出自步学习（self-paced learning）的核估计方案，逐步从模糊图像中检测和加入可靠像素集进行潜在图像更新与模糊核估计。

2018-ECCV - Normalized Blind Deconvolution
Jin等人提出使用 $\ell_p$ $(p\ge2)$ 范数对模糊核进行归一化，即 $\Vert \mathbf k\Vert_p=1,k_i\ge0,\forall i$ ，解决了传统的 $\ell_1$ 归一化引起的尺度歧义（平凡解与真实解具有相同的 $\ell_1$ 尺度），有效避免了平凡解 $\bf k=\delta,x=y$ 。