基于深度先验解卷积的光学像差校正方法

2613基于深度先验解卷积的秀莉1*、金利索1、张伟航1、辛远2、琼海戴11清华大学、2西湖大学摘要高质量的成像通常需要庞大而昂贵的透镜来补偿几何和色差。这对光学散列或低成本应用提出了高约束。尽管可以利用算法重建来去除低端透镜的伪影，但是来自光学像差的退化是空间变化的，并且计算必须权衡效率与性能。例如，我们需要进行分块优化或训练大量的局部深度神经网络，以实现整个图像的高重建性能。在本文中，我们提出了一种PSF感知的深度网络，其将畸变图像和PSF图作为输入，并通过结合深度先验来产生潜在的高质量版本，从而导致通用且灵活的光学像差校正方法。具体来说，我们从一组不同的镜头中预训练一个基础模型，然后通过快速优化参数使其适应给定的镜头，这在很大程度上减轻了模型学习的时间和内存消耗。该方法在训练和测试阶段都具有较高的效率。广泛的结果验证了我们提出的方法的紧凑型低端相机的应用前景。该代码可在https://github.com/leehsiu/UABC1. 介绍光学像差是基于真实透镜的成像系统中最常见的退化之一。由于偏离理想薄透镜模型，简单/单个透镜元件遭受色差、球面像差和慧形像差，并且使成像质量显著退化。为了消除这些伪影，现代相机镜头通常由具有精心设计的参数的几个（甚至几十个）镜头元件的复杂组合制成（aka.镜片处方）。简而言之，现有技术通过这种组合实现高成像质量。* 网址lixiu15@mails.tsinghua.edu.cn(a)（b）第（1）款（c）第（1）款图1：用简单透镜计算重建高质量图像的一个示例。(a)具有简单双胶合透镜的相机（Thorlabs，AC 254 -075-A-ML）。(b) （a）中的相机的校准PSF。(c)输入的退化图像（上行）和我们的重建结果（下行）。复杂的设计，代价是高成本、笨重的重量和不可避免的镜头眩光。随着大像素数数字传感器（例如100兆像素尺度），非常期望透镜像差的有效补偿。为了实现轻量化和低成本的高质量成像，在过去的几十年中，已经利用了计算光学像差校正。与先进的光学设计不同，计算方法采用简单的透镜进行成像，然后通过算法消除像差。在数学上，透镜畸变可以被公式化为与空间变化的内核的卷积，并且补偿通过在2614图像先验的帮助这些计算机-2615常规方法可以是非盲的或盲的，这取决于像差模型，即，点扩散函数（PSF）是预先校准的前者使用专门设计的系统[26，7，11]测量PSF，或者使用一些开发的算法从退化图像中明确估计PSF [23，30，28]，然后进行反卷积。后者通常以迭代方式联合估计PSF和潜在清晰图像[35]。考虑到对于给定的透镜PSF是固定的，并且PSF的估计已经被广泛研究，本文主要讨论非盲情况如示于图如图1（b）所示，由透镜像差引起的PSF在空间上是不均匀的，并且也跨颜色通道变化。以前，研究人员已经提出了一系列用于非均匀反卷积的算法，包括逐像素反卷积[6，33，5]和逐块反卷积[6，33，5][7，23，36，8]。后者假设PSF在空间维度上平滑变化，因此可以近似为在这种情况下的去卷积通常比逐像素方法更快。该假设也适用于由低端透镜的像差引起的PSF。最近，深度神经网络也被用于图像去卷积，并显示出令人鼓舞的结果[27，3]。然而，处理非均匀性对于端到端深度学习仍然具有挑战性。针对具有不同PSF的不同子区域使用单个网络权重设置将需要大的模型容量或导致平均性能。而专门针对每个子区域训练一系列模型是相当耗时的。在本文中，我们提出将深度网络和基于模型的反卷积结合到一个迭代框架中。先验引导的去卷积局部地进行并且明确地模拟物理退化过程，这确保了高保真度并且容易适应于不同的镜片。将单个全局深度投影网络应用于整个图像以抑制振铃伪影并消除块伪影。同时，我们建议先从大量不同的镜头中预训练一个基础模型，然后快速地将其适应于特定的镜头，大大简化了不同镜头的训练过程。本文的主要贡献如下。• 我们提出了一个PSF感知的深度网络，通过解耦物理成像模型和深度网络先验来解决由透镜畸变引起的空间变化退化。• 模型训练建立在预训练的基础模型上，加上对不同镜头的快速适应因此，它具有高效率和高可行性。• 该方法实现了最先进的性能，但具有更高的运行效率。我们进行合成和定性实验，以证明所提出的方法的训练效率和性能。我们还在低端镜头捕获的真实数据上获得了有希望的结果，请参考图。1，图中的更多结果。9 .第九条。2. 相关工作2.1. 计算像差校正计算像差校正可大致分为非盲法和盲法。对于非盲方法，需要明确的校准阶段来估计透镜像差模型。Shih等人[26]通过在暗室中对针孔网格图案成像来测量点扩散函数。Heide等人[7]通过使用成帧随机图案来校准PSF。特别设计的校准图表[10，11，23]也因其成本较低而被广泛使用。一旦已知模糊核，就可以通过图像去卷积来求解潜在的清晰图像[7，23]。盲方法跳过该校准阶段，并且基于自然图像统计和像差模型的知识直接从图像估计Rahbar和Faez [19]使用Zernike模型描述晶状体像差，并统计估计Zernike多项式系数。Schuler等人[24]提出了一种高效滤波器流（EFF）基础方法，通过利用PSF的反射对称性、旋转对称性和径向分布来描述非均匀模糊内核。这种先验知识也被Yue等人使用。[36]同时他们还提出了一种径向分裂技术（在极坐标中表示图像）和一种清晰到模糊的估计策略，[ 29 ]对此进行了进一步的广泛研究。2.2. 图像反卷积在数学上，光学像差校正是非均匀图像去卷积的特殊情况通常，非均匀性的建模可以完全参数化地完成，这导致逐像素去卷积[6，33，5，9]。为了加速计算，PSF也可以被假设为局部平滑地变化，因此非均匀去卷积可以用逐块均匀去卷积来近似[7、23、36、8]。由于图像去卷积通常是不适定的，因此正则化项（或先验）对于产生合理的结果是必不可少的。一般先验包括TV范数最小化[31]、超拉普拉斯算子[13，16]和自相似性[17]。近年来，深度学习因其对复杂数据分布建模的能力而被广泛用于反卷积问题。尽管可以直接学习将模糊图像映射到其相应的清晰版本[37，15]，但已经表明非盲深度去卷积比直接端到端映射更好[38，14，25，27，3]。这些工作利用点扩散函数，将深度反褶积问题转化为反褶积问题。2616⊗⊗X2x，z22z22卷积和基于网络的细化。这种方式p预训练：~5hrs@1024*768像素事实上，相邻的PSF是高度相关的，我们可以近似为分片均匀的非均匀PSF。对于通道c处的每个小图像块p，所记录的退化图像块yc，p和潜在清晰块xc，p通过下式相关：快速自适应：~ 3分钟@1024 *768像素镜片#1镜片#2其中kc， p是对应的PSF（模糊核），nc，p是噪声，并且表示2D卷积。 对于单纯的-如果我们考虑，我们将放弃这个c索引进行频道明智。求解Eq.（1），先验项是必要的，以约束x的空间。这导致x=argminΣkpxp−yp2+λΦ（x），（2）p图2：通过预训练基础模型并快速适应不同镜头来构建快速且高质量的镜头像差校正模型的基本思想。网络能够处理各种退化内核。2.3. 即插即用算法利用PSF感知的另一种趋势方式是即插即用（PnP）[22，20]。一个简单的方法是替换其中第一项强制执行数据项残差，第二项Φ（x）表示x的先验（统计分布）。3.2.数据/先前拆分我们遵循[9，4，39]使用半二次分裂（HQS）来求解方程。（二）、通过引入辅助变量z，Eq.（2）可以重新建模为argminΣkpzp−yp2+λΦ（x）+µz−x2，（3）p其可以通过执行以下子问题的迭代来求解zt<$minkpzp−yp2+µz−xt−1<$2，（4）p一般或手工艺事先与一个有学问的深生成xt<$minµzt−x<$2 + λΦ（x）。（五）2模型[18]使用梯度x解决优化问题体面。为了避免跟踪网络梯度的繁重计算负载，深度网络还可以用作邻近算子，并且图像恢复问题当量（4）可以在圆形边界条件下以封闭形式近似求解为.F（k）F（yp）+ µ kF（xt−1）Σp通过迭代运行基于模型的优化来解决和深度网络投影。 该模型显示zt=F−1p pF（k） F（k）+µk、（6）有前途的结果在线性逆问题[2]，图像超分辨率[39]，快照压缩成像[34]高光谱成像[9]。我们的工作也遵循这一提法。3. 方法在本节中，我们首先用数学公式表示透镜像差模型，然后提出我们的基于深度先验的光学像差校正方法。3.1.问题公式化晶状体编号N2617F FF·pppp·其中（）表示快速四阶变换（FFT），−1（）表示逆FFT，（）表示FFT的复共轭。注意，虽然我们使用了一个罪-方程式中的µgle符号（6），当实现逐块去卷积时，我们对不同的块、通道和迭代使用不同的μt对于方程（5）如果我们将μt吸收到λ中，这是一个以zt，λt为输入，xt为输出的问题。我们将Φ（）视为近似算子，并直接学习类似于[2，39，9]的深度投影网络Pxt= P（zt，λ t）.（七）如前所述，透镜像差可以解释为p p由于PSF在空间和光谱上都变化而产生非均匀的通道方向模糊（即，RGB通道）。感谢注意，我们省略了x，z和{xp}，{zp}之间的chop和assemble2618PP{F}{F}ppP{ }{ }输入迭代优化图3：所提出的方法的流程图。分为两个部分-反卷积和先验拼版，用不同的颜色说明。3.3. 深度投影仪P深度投影仪P主要是按照U-算法1：我们提出的decon的框架卷积法输入：y、k、最大级数T、{µt}、{λt}。net [21]，它被广泛用于图像到图像的翻译问题。在这里，我们取代了原来的平原卷积在原来的U-网与残余块更好的收敛。请注意，由于是完全卷积的，它可以应用于任意大小的图像。因此，与逐块进行的去卷积阶段不同，我们将块集成在一起并在该阶段更新整个图像。的输入6个通道（通过组装和连接）并且输出是3个通道X，其中p p预处理;1. 根据k将输入的模糊图像切割成不重叠的块，并且用来自相邻块的像素填充每个块;2. 预先计算（kp），（yp）。3. 将x0初始化为零，因此zp与维纳滤波器相同pp对于t = 1，...，没做相同的空间维度。网络结构如图所示。二、由逐块去卷积引起的振铃伪影和块效应被有效地去除，因为将使用相邻块的信息。完整的转发过程的流程如图1所示。3 .第三章。3.4. 预训练和适应端到端训练我们使用DIV2K和Flicker2K数据集[1]，总共有3450张高清高分辨率（2K）图像来训练我们的模型。我们合成训练三元组（模糊图像y、像差PSFk和清晰图像x）如下。地面实况清晰图像X是从训练数据集中绘制的。PSF k通过两种方式生成：（i）我们使用Zemax软件来模拟各种简单透镜设计的PSF。PSF的内核大小为25×25，空间分辨率设置为16×16（总的来说，每个镜片处方有256个不同的PSF）。(ii) 还使用具有不同偏差的各向异性高斯核来增加PSF多样性。退化图像y通过光线跟踪经由Zemax软件生成1. 在预处理阶段使用相同的策略将xt−1（6）求zt。2. 剃掉zt，把它们组合在一起得到zt。然后将zt和λt通过，得到xt。endOutput ：xT(for PSF与已知的规定）或分片卷积（高斯内核）。由于GPU内存限制，直接在具有空间变化PSF的完整图像上进行训练相反，对于每个训练样本，我们随机裁剪256×256块大小的图像，并从随机绘制的镜片处方的整个16×16 PSF图中随机裁剪2×2块。因此，模糊图像具有具有不同PSF的四个区域。通过最小化l1来训练网络.........逐块反褶积......应用全局深度先验×T.......................2619P输入和PSF输入Patch全局统一E2E分片式E2E我们的基础模型我们的改进模型图4：不同深度学习模型之间的视觉结果比较，与表中的结果相对应1.一、重建误差批量大小设置为3，导致训练期间单个GPU上的10.6G内存成本。μ，λ被设置为使用Adam优化器[ 12 ]与0一起优化的自由可训练参数。001学习率。尽管我们上面提到μ、λ对于每个子区域被设置为不同，但是在预训练阶段中它需要大约5个小时来训练模型的7K迭代使用PyTorch实现在一个单一的12G内存NvidiaRTX 2080 Ti GPU。一个示例性训练曲线示于图1B中。五、注意，对于每次训练迭代，网络将看到具有不同PSF的组装的补丁，因此网络需要学习去除去卷积伪影以及块状伪影。这种实现对于我们的方法的成功至关重要。当呈现特定PSF时，我们可以细化上述预训练的基础模型以用于性能提升。我们在端到端培训阶段遵循相同的培训协议。不同的是，我们没有优化空间均匀的μ，λ变量，而是构建了μ，λ映射，每个映射对应于特定的局部PSF。实验表明，在透镜特定的适应之后，即使训练迭代的次数非常少，性能也会显著提高，例如，3分钟大约60次。对于在边缘区域具有更严重像差的透镜，我们将在外部区域中使用比在中心区域中更小的贴片。4. 结果4.1. 定量评价为了证明我们提出的方案的效率和性能，我们将我们的模型与三种基于深度学习的基线透镜像差补偿方法进行了比较：（i）通过假设PSF是均匀的全局均匀端到端（E2E）模型，并训练应用于完整图像的单个E2E模型，表1：不同策略的效率和性能的比较。对于每个比较，最好的结果被突出显示，并且第二好的结果以粗体字强调。方法训练时间峰值信噪比（dB）SSIM全球统一E2E2小时26.470.9106逐块E2E90小时27.010.9110我们的基本模型5小时26.270.9127我们的改进模型3mins27.360.9382图5：四种不同学习策略的训练曲线，对应于表1中的那些。这里，逐补丁E2E的曲线是单个补丁的平均训练时间。PSF-近似均匀的块并为每个图像块训练一个模型，以及（iii）我们的预训练的基础模型，即，训练用于一组不同透镜的非均匀模型。对于效率评估，我们比较了所有方法的模型训练和推理时间。我们使用DIV2K[1]验证集作为测试数据，并根据峰值信噪比来评估恢复结果2620×××输入PnP-FFDNet（PSNR）和SSIM [32]。对于我们的基础模型，我们使用具有已知Ze-max处方的20个不同镜片的合成像差-锐利图像对和PSF。对于其他三种设置，我们使用来自Thorlabs Corp.的三个简 单 透 镜 ： AC 254 -075-A-ML 、 LA 4924-A 和 LA5714。在实验过程中，合成图像被设置为1024 × 768像素，并且块大小被设置为128 × 128像素，在此情况下PSF被设置为1024 × 768像素。可以粗略地假设在贴片内均匀。实验在GTX TITAN 12G内存GPU、Intel i9CPU和16G RAM的计算机上运行。结果示于表1中，并且一个视觉比较示于图1中。4，从中我们可以看出，假设PSF是全局均匀的将导致低的重建质量，这再次验证了非均匀补偿对于透镜像差是至关重要的。在应用于非均匀去卷积的实验设置中，我们的最终结果实现了与逐块E2E方法相当的性能，并且在透镜特定的细化之前具有优于基础模型的性能。关于针对给定晶状体训练模型的时间，逐块E2E模型是令人疲惫的，因为针对具有严重退化的块的模型学习是相当长的时间Ours（基本模型）Ours（微调）图6：不同PnP方案之间的比较，其中通用去噪器（FFDNet）、通用透镜像差补偿网络（我们的基础模型）和透镜特定补偿网络（我们的改进模型）并入相同迭代框架中。消耗我们通常需要学习数十个百万像素图像的模型。对于全局统一模型，所需的时间类似于学习局部E2E模型的时间。对于通常用于大多数镜片的基础模型，训练需要大约5个小时，而对于我们的镜片特定适配，可以在几分钟内在预训练的基础模型的顶部容易地构建高质量像差去除模型，参见图1中的训练曲线五、在推断阶段，基于深度学习的方法花费类似的时间，在我们的设置下，对于1024 768个输入图像大约2.4秒总的来说，我们表明，非均匀PSF意识是使用深度学习解决光学像差校正问题的一个重要因素。我们的通用预训练加上镜头特定微调策略也具有高效率Heide等人s Sun等人S我们和性能，使其成为一种实用的方法。4.2. 与其他即插即用方案的即插即用是非均匀退化下图像恢复的有效选择最近的一些研究将先验强加处理为去噪操作，并且针对不同的任务使用通用的深度图像去噪器。因此，也可以预先训练去噪网络，并将其纳入我们的Eq. 4和方程式5以即插即用的方式。此外，如果不进行特定镜头的精化，我们可以直接将基础模型应用于任意镜头的像差模型，即插即用图7：与Sun等人最近发表的一种方法的比较。[29]第10段。可以这为了证明建立像差特定模型和进行透镜特定优化的优越性，2621Schuler等人s（非盲）Schuler等人s（盲法）Yue等人S我们Schuler等人的（非盲）Schuler等人s（盲法）Heide等人S我们Heide等人SYue等人S我们图8：与最先进的方法的比较，包括Schuler等人's [23][24]，Yue et al.[36]和Heide et al.s [7]。我们对上述两种即插即用方案进行比较。对于通用去噪器，我们使用FFDNet [40]。我们测试了不同的噪声水平，并找到一个具有最佳性能的噪声参数设置在即插即用框架。结果示于图6，其中我们使用标准分辨率图表进行测试，并使用与图6中相同的镜头的PSF。1.一、我们发现PnP-FFDNet产生比我们的基础模型和透镜特定模型更模糊的结果这是合理的，因为去卷积伪影可能与高斯噪声有很大不同。改进后的网络比没有特定镜头自适应的基础模型表现更好。这证实了适应的必要性。4.3. 与最先进技术的我们将我们的方法与其他现有技术的像差校正方法，包括Schuler等人的’s [24][23]，Yue et al.s [36]，Heide et al.”[7]“孙”[29 ]第29话真实的数据结果呈现在图1A和1B中。7和8由于没有地面实况数据，我们只能定性比较。可以观察到：（i）我们的基于深度学习的方法具有优于或可比较的性能，这表明深度模型可以更好地表示自然图像的统计;（ii）如果PSF可以从输入退化图像可靠地估计，则盲补偿可以实现与非盲补偿相当的性能，以及（iii）我们的方法比（至少可与之相比）状态补偿更好。2622PSF输入（顶部）与重建（底部）最终结果图9：用3种不同的简单透镜捕获的真实数据的结果。左：估计PSF。中间：一些区域的输入和像差补偿版本之间的比较。右图：最终重建的整体图像。请在补充材料中查看更多结果。艺术和相当有前途的，考虑到它的高灵活性和效率。4.4. 真实数据为了测试我们的方法在真实数据上的性能，我们将简单的透镜安装在数码相机（HIKROBOT MV-CB 013- 20 UC-C）上拍摄一些照片，并进行计算透镜像差。在这里，我们展示了三种情况下，与相同的简单的镜头，在第二节。4.1.我们使用的算法由Sun等人。[28]从几个印刷的二进制图案的图像中估计PSF，并取平均值以提高性能，如图中最左列所示。9.第九条。然后，我们将预训练的基础模型微调到每个镜头，然后将校准的PSF与输入的退化图像一起馈送到我们的框架中，以进行最终重建，如图3中的最右列所示。9.第九条。我们可以看到，所提出的方法可以有效地去除模糊的不同镜头，支持我们提出的方法是5. 总结和讨论本文报告了一种使用端到端深度神经网络的计算重建方法，以简单的镜头实现高质量的成像。从技术上讲，该模型在训练和推理方面都具有很高的效率，并且具有很高的适应不同镜头的灵活性。关于未来的工作，我们计划从一个定制的镜头集，覆盖了几十个泽尼克多项式项，并学习一个通用的基础模型，可以更快地适应建立一个训练数据库。扩展该模型，显式地纳入跨通道相关性，从而提高最终的性能是另一个正在进行的工作。确认本 工 作 得 到 了 国 家 科 学 技 术 部 （ 批 准 号 ：2020AA0108202）、国家自然科学基金（批准号：61931012、61627804、62088102）和北京市自然科学基金（批准号：Z200021）的资助。2623引用[1] E. Agustsson和R.Timofte Ntire 2017单图像超分辨率挑战：数据集和研究。在CVPRW，2017年。四、五[2] J. H. R. 昌 角 ， 澳 -地 李 湾 ，澳 - 地 波 索斯 湾 V. K.VijayaKumar和A.C.桑卡拉纳拉亚南一个网络解决所有问题-使用深度投影模型解决线性逆问题。InICCV，2017. 3[3] J. Dong，S.罗斯和B。席勒深度维纳反卷积：Wiener与深度学习结合用于图像去模糊。在NeurIPS，2020年。2[4] T. Eboli，J.Sun和J.庞塞非盲图像去模糊的端到端可解释在ECCV，2020年。3[5] R. 费格斯湾辛格A.Hertzmann，S.Roweis和W.自由人。从单张照片中消除相机抖动ACM事务处理图表，25（3），2006. 2[6] A.古普塔，加-地乔希角，澳-地Zitnick，M. Cohen和B.没有 卷发 使用 运动 密度 函数的 单幅 图像 去模 糊。ECCV，2010年。2[7] F.海德M.鲁夫湾B.胡林湾Labitzke，W. Heidrich和A.科尔布通过简单的镜头实现高质量的计算成像。ACM事务处理图表，32（5），2013. 二、七[8] M.赫希角J. Schuler，S. Harmeling和B.什么lkopf。快速消除不均匀的相机抖动。见ICCV，2011年。2[9] D. S.全S. H.白，S。伊角，印尼-地Fu，X. Dun，W.Heidrich和M. H. Kim.具有衍射旋转的紧凑快照高光谱成像。ACM事务处理图表，2019年。二、三[10] N.乔希河Szeliski和D. J·克里格曼使用锐边缘预测的Psf估计。CVPR，2008。2[11] E. Kee，S. Paris，S. Chen和J.王.空间变化光学模糊的建模和去除。ICCP，2011年。2[12] D. P. Kingma和J. L. BA. Adam：随机最佳化的方法。2015年，国际会议。5[13] D. Krishnan和R.费格斯。使用超拉普拉斯先验的快速图像去卷积。InNeurIPS，2009. 2[14] J. Kruse，C. Rother和U.施密特学习推动有效的基于fft的图像去卷积的极限。InICCV，2017. 2[15] O. Kupyn，T.Martyniuk，J.Wu和Z.王. Deblurgan-v2：去模糊（数量级）更快更好。在ICCV，2019年。2[16] A.莱文河Fergus，F. Durand和W.弗里曼。图像和深度从一个传统的相机与编码光圈。ACM事务处理图表，26（3），2007. 2[17] T. Michaeli和M.伊拉尼使用内部补片递归盲去模糊。2014年，在ECCV。2[18] X. 平移X。詹湾，澳-地Dai，D.林角，澳-地Loy和P.罗利用深度生成先验进行多功能图像恢复和操作。在ECCV，2020年。3[19] K. Rahbar和K.法兹利用zernike矩盲校正透镜像差。载于ICIP，2011年。2[20] Y.罗马诺湾Elad和P.米兰法小引擎可以：去噪正则化（红色）。SIAM J. Img. Sci. ，10（4），2017. 3[21] O.龙内贝格山口Fischer和T.布洛克斯U-net：用于生物医学图像分割的卷积网络在MIC-CAI，2015. 4[22] E. Ryu，J. Liu，S. Wang，X. Chen，Z. Wang和W.尹即插即用方法可证明与经过适当训练的降噪器收敛。在ICML，2019。3[23] C. Schuler，M. Hirsch，S. Harmeling和B. Scholkopf光学像差的非平稳校正。见ICCV，2011年。二、七[24] C. Schule r，M. Hirsch，S. Harmeling和B. Sch oülk opf.光学像差的盲校正。ECCV，2012年。二、七[25] C. J. Schuler，H. C. Bur ger，S. Harmeling和B. Sch oülkopf. 一 种 用 于 非 盲 图 像 去 卷 积 的 机 器 学 习 方 法 。CVPR，2013。2[26] Y. 施氏湾Guenter和N.乔希使用校准透镜模拟的图像增强ECCV，2012年。2[27] H. 儿子和S.李你通过具有长/短跳跃连接的正则化残差网络的快速非盲反卷积在ICCP，2017年。2[28] L. 孙习Cho，J.Wang和J.海斯基于边缘的模糊核估计使用补丁先验。InICCP，2013. 二、八[29] T.太阳，Y.彭和W。海德里希重新审视用于色差校正的跨信道信息传输。InICCV，2017. 二六七[30] H. Tang和K.N. 库图拉科斯一张有畸变的照片能告诉我们镜头和场景的什么InICCP，2013. 2[31] Y. Wang，J.杨，W.Yin和Y.张某一种新的全变分图像重建的交替极小化算法SIAM J. Img. Sci. ，1（3），2008.2[32] Z. Wang，中国山核桃A. C. Bovik，H. R. Hamid和E.西蒙切利图像质量评估：从错误可见性到结构相似性。TIP，13（4），2004. 6[33] O. 怀特，J。Sivic，A.Zisserman和J.庞塞抖动图像的非均匀去模糊。CVPR，2010。2[34] X. Yuan，Y. Liu，J. Suo，and Q.戴.大规模快照压缩成像的即插即用型租赁。在CVPR，2020年。3[35] T. Yue，J.索，X.和Q.戴. 高质量去除小波域非均匀模糊的有效方法IEEE TCSVT，27（9），2017年。2[36] T. Yue，J. Suo，J. Wang，X.和Q.戴.通过探索几何和视觉先验的盲光学像差校正。CVPR，2015。二、七[37] H. Zhang， Y. Dai，H. Li和P. Koniusz.用于图像去模糊的深度层叠层次多片网络在CVPR，2019年。2[38] J. 张，J.潘，W。莱河W. H. Lau和M.杨学习全卷积网络，用于迭代非盲去卷积。在CVPR，2017年。2[39] K.张丽V.Gool和R. Timofte图像超分辨率的深度展开网络。在CVPR，2020年。3[40] K. Zhang，W. zuo和L.张某Ffdnet：基于cnn的图像去噪的快速灵活解决方案。TIP，27（9），2018. 7