小波变换+注意力机制

高效多尺度网络与可学习离散小波变换用于盲运动去模糊

摘要

传统的单图像运动去模糊广泛采用粗到细的方案，但在深度学习中，现有的多尺度算法不仅需要复杂的模块融合低尺度RGB图像和深层语义信息，而且还要手动生成低分辨率的图像对，这些对的可信度不足。为此，我们提出了一种基于单输入多输出（SIMO）的多尺度网络，用于运动去模糊，简化了基于粗到细方案的复杂性。

为了改善多尺度架构带来的细节损失，我们结合了真实模糊轨迹的特性和可学习的离散小波变换模块，关注模糊到清晰图像的逐步变化中的方向连续性和频率信息。

总结而言，我们提出的MLWNet（带有可学习离散小波变换的多尺度网络）在多个真实世界去模糊数据集上都达到了优异的性能，无论是主观还是客观指标，以及计算效率。

引言

在频域引入变换，将其作为空间域变换的替代方案，帮助算法关注不同频段。本文考虑采用离散小波变换（DWT），理由如下：

1. 许多先进的去模糊算法引入傅里叶变换（DFT）作为频率先验，用以识别和保留高频和低频信息[10, 19, 42]。与DFT相比，DWT更适合处理具有突发信号的图像[5]。
2. 真实模糊和合成模糊在分布上差异很大[24]。真实模糊受摄像头快门时间影响表现出方向性[29]，即模糊轨迹区域连续。而合成模糊轨迹不自然且不连续。利用DWT可以揭示模糊的方向性，区分不同方向上的变化，为去模糊提供有价值的指导。

为了让2D-DWT更贴合数据分布和特征空间，我们采用群卷积实现自适应数据分布，将特征空间从空间域转到小波域，产生不同频率和方向的子信号，再设计小波损失，通过自监督约