NSD-DIL: Null-Shot Deblurring Using Deep Identity Learning

本文提出了一种新的盲图像去模糊方法，即使用深度线性网络直接学习退化模型的反演。我们引入了一种新的学习策略——深度恒等学习（DIL），它包括基于线性系统属性的专用正则化项，以利用退化模型和反演退化模型之间的恒等关系。我们提出的框架的显著特点是既不依赖于去模糊数据集，也不依赖于单个输入模糊图像（如自监督方法Polyblur）。由于它是纯粹的图像数据无关的，因此我们将我们的模型称为使用深度恒等学习的零样本去模糊（NSD-DIL）。我们还提供了一个学习的深度线性网络的显式表示，称为去模糊任务的深度恢复核（DRK）。通过我们提出的随机核库（RKG）数据集，我们的方法避开了大多数现有盲去模糊解决方案中涉及的典型退化核估计步骤。在本文中，我们专注于恢复轻微模糊图像，这些图像通常由轻微的失焦、镜头模糊或轻微的相机运动产生。我们的实验表明，所提出的方法优于传统和基于深度学习的去模糊方法，而且计算资源至少少了100倍。所提出的NSD-DIL方法也可以轻松地扩展到图像超分辨率（ISR）任务中，以恢复细节丰富的低分辨率图像。NSD-DIL模型及其核形式表示（DRK）轻量而强大，可以在几分之一秒内恢复轻微模糊的输入，因此更适用于广泛的实时应用。

解决问题：本论文旨在通过使用深度线性网络直接学习退化模型的反函数，从而重新构建盲图像去模糊任务。同时，论文提出一种新的学习策略Deep Identity Learning（DIL），旨在利用线性系统的性质来利用退化模型和反退化模型之间的恒等关系。该方法不依赖于去模糊数据集或单个输入模糊图像，因此被称为Null-Shot deblurring Using Deep Identity Learning（NSD-DIL）。

关键思路：论文的关键思路是使用深度线性网络直接学习退化模型的反函数，而不是像大多数现有的盲去模糊方法那样依赖于退化核估计步骤。同时，通过使用Random Kernel Gallery（RKG）数据集，该方法可以避免使用去模糊数据集或单个输入模糊图像。此外，论文提出了一种新的学习策略Deep Identity Learning（DIL），旨在利用线性系统的性质来利用退化模型和反退化模型之间的恒等关系。

其他亮点：论文提出的NSD-DIL方法不仅可以用于盲去模糊任务，还可以轻松扩展到图像超分辨率（ISR）任务中，以恢复具有细节的低分辨率图像。此外，所提出的DRK模型和其核形式表示是轻量级且强大的，能够在短短的几秒内恢复轻微模糊的输入，因此更适合广泛的实时应用。实验结果表明，所提出的方法在恢复轻微模糊图像方面优于传统的和基于深度学习的去模糊方法，计算资源至少少100倍。

相关研究：在这个领域中，最近的相关研究包括：Polyblur: A Self-Supervised Method for Blind Motion Deblurring（ICCV 2019），Deep Learning for Image Deblurring: A Brief Review（IEEE Access 2019），Deep Learning for Image Deblurring: A Systematic Review and Future Directions（IEEE Transactions on Image Processing 2020）等。