王碧琳（河南应用技术职业学院）在《指挥控制与仿真》期刊（2025年6月网络首发）发表了一项关于可见光图像去运动模糊的研究。该研究针对现有DeblurGANv2模型在复杂运动模糊场景中存在的计算复杂度高、推理速度慢及细节恢复不足等问题，提出了一种名为Faster-DeblurGAN的改进方法。

学术背景
运动模糊是相机与被摄物体相对运动导致的图像退化现象，传统方法如逆滤波、维纳滤波等依赖点扩散函数（PSF, Point Spread Function）估计，但对噪声敏感且难以处理空间变化的PSF。深度学习技术（如CNN、RNN）虽能自动学习模糊-清晰图像映射关系，但现有模型如DeblurGANv2仍存在参数量大、实时性差等缺陷。本研究旨在通过模型轻量化和多尺度特征融合优化，提升去模糊效率与质量。

研究流程
1. 模型架构改进
- 主干网络替换：将DeblurGANv2的Inception-ResNet替换为FasterNet。FasterNet通过部分卷积（PConv）和逐点卷积（PWConv）减少浮点运算量（FLOPs仅为传统卷积的1/16），并采用四阶段层级结构，每个阶段嵌入FasterNet块（含PConv层和两个PWConv层）。
- 特征融合模块：采用自适应结构特征融合（ASFF, Adaptive Structure Feature Fusion）替代特征金字塔网络（FPN）。ASFF通过动态权重分配（式1：α、β、γ权重经Softmax归一化）实现跨层级特征的空间一致性融合，抑制尺度冲突。
- 上采样优化：设计高效上采样卷积块（EUCB, Efficient Up-Convolution Block），结合反卷积、深度可分离卷积和通道混洗，提升细节恢复能力。

1. 损失函数设计
   引入光流一致性损失（OFC Loss, Optical Flow Consistency Loss），通过双向光流映射误差（式2）约束运动模糊补偿过程，增强非均匀模糊建模能力。总损失函数（式3）整合像素损失（Lp）、感知损失（Lx）、对抗损失（Ladv）和OFC Loss，权重分别为0.5、0.006、0.01和0.01。

2. 实验验证

   • 数据集：使用GoPro数据集（3,214张图像，分辨率1,280×720），以连续15帧均值作为模糊输入，中间帧为清晰目标。
     
   • 训练配置：在NVIDIA GTX 3060显卡上采用Adam优化器（初始学习率0.0001，衰减率0.99），批大小为1，训练500轮次，并应用单侧标签平滑和历史平均技术稳定训练。
     
   • 对比模型：包括DeblurGANv2、DeepDeblur、BANet和DBGAN，评价指标为峰值信噪比（PSNR）和结构相似性（SSIM）。
     

主要结果
1. 性能提升：Faster-DeblurGAN在GoPro测试集上PSNR达31.13（较DeblurGANv2提高3.3%），SSIM为0.947（提高2.4%），参数量仅4.78M（减少52.9%）。
2. 消融实验：
- FasterNet降低56.4%参数量；
- ASFF使PSNR和SSIM分别提升0.71和0.017；
- EUCB进一步带来0.34（PSNR）和0.01（SSIM）增益；
- OFC Loss贡献0.66（PSNR）和0.005（SSIM）提升。
3. 主观效果：局部对比显示，Faster-DeblurGAN在窗户纹理、车辆细节及人脸眼部区域的恢复更接近真实图像，且伪影少于基准模型。

结论与价值
该研究通过轻量化设计和多尺度融合策略，显著提升了运动模糊去除的效率和效果。科学价值在于：
1. 提出FasterNet与ASFF结合的动态特征融合机制，为复杂运动模糊建模提供新思路；
2. 光流一致性损失的引入拓展了生成对抗网络（GAN）在自监督学习中的应用。应用价值体现在实时图像处理（如监控、自动驾驶）中可实现高效部署。

研究亮点
1. 创新架构：首次将FasterNet与ASFF模块集成于DeblurGAN框架，兼顾速度与精度；
2. 自监督优化：OFC Loss通过双向运动补偿增强模型鲁棒性；
3. 工程友好性：参数量减半，推理速度提升，适合资源受限场景。

其他发现
研究指出当前方法对文字等高频纹理恢复仍存在局限，未来需进一步优化多尺度特征交互机制。