Blind Image Deconvolution by Generative-based Kernel Prior and Initializer via Latent Encoding

盲目图像反卷积（BID）是图像处理领域中一项经典但具有挑战性的问题。深度图像先验（DIP）的最新进展激发了一系列基于DIP的方法，展示了在BID中显著的成功。然而，由于固有优化过程的高度非凸性，这些方法以其对初始化核的敏感性而臭名昭著。为了缓解这个问题并进一步提高它们的性能，我们提出了一个新的BID框架，更好地考虑了先验建模和模糊核初始化，利用深度生成模型。所提出的方法预先训练了一个基于生成对抗网络的核生成器，恰当地表征了核先验和一个核初始化器，通过潜在空间编码促进了对模糊核的明智初始化。借助预训练的核生成器和初始化器，可以获得模糊核的高质量初始化，并在紧凑的潜在核流形内进行优化。这样的框架比现有的基于DIP的BID方法具有明显的性能提升。在不同数据集上的广泛实验表明了所提出方法的有效性。

解决盲图像复原中的高非凸性问题，提高深度图像先验方法的性能。

通过预训练生成对抗网络（GAN）的核生成器和核初始化器，利用潜在空间编码获得模糊核的良好初始化，从而在紧凑的潜在核流形内进行优化，提高图像复原的性能。

论文提出了一种新的框架来解决盲图像复原问题，通过预训练GAN的核生成器和核初始化器来获得模糊核的良好初始化，从而提高了深度图像先验方法的性能。实验结果表明该方法在不同的数据集上具有显著的性能提升。

相关研究包括：Deep Image Prior、Blind Image Deblurring Using Permutation Invariant Convolutional Neural Networks、Blind Image Deblurring via Recursive Estimation of Point Spread Function and Image、Deep Generative Prior for Blind Deconvolution等。