本文报告了一项由Xidian University和State University of New York at Albany联合完成的原创研究，题为《Parameterized Blur Kernel Prior Learning for Local Motion Deblurring》，发表于CVPR会议。研究团队包括Zhenxuan Fang、Fangfang Wu（通讯作者）、Tao Huang、Le Dong、Weisheng Dong（通讯作者）、Xin Li和Guangming Shi。

学术背景

局部运动去模糊（Local Motion Deblurring, LMD）是计算机视觉领域的重要课题，旨在恢复因物体局部运动导致的模糊区域，同时保持背景清晰。与全局运动模糊不同，LMD的模糊核（blur kernel）具有空间变化性，传统方法依赖人工标注的模糊掩模（blur mask）且忽略模糊核特性，导致恢复效果受限。本研究提出参数化模糊核建模方法，通过长度（length）、角度（angle）和曲率（curvature）三个关键参数表征模糊核，并利用记忆库（memory bank）存储模糊先验信息，结合双分支去模糊网络（dual-branch deblurring network）提升恢复精度。

研究流程

1. 模糊核建模：
   研究提出参数化模糊核生成方法，通过数学公式（式2-6）将运动轨迹分解为长度、角度和曲率，生成可解释的模糊核。例如，长度控制模糊强度，曲率影响轨迹弯曲程度。图2展示了不同参数的模糊核示例。

2. 先验估计网络（Motion Prior Estimation Network）：

   • 编码器-记忆库机制：模糊图像通过编码器提取特征，与记忆库中的模糊先验信息匹配，更新特征（式8）。记忆库通过自监督策略动态调整，存储真实运动模糊特征。
     
   • 辅助再模糊网络（Auxiliary Reblurring Network）：共享记忆库，将清晰图像重新模糊以验证参数估计准确性（图3）。训练完成后，该网络被丢弃。
     

3. 双分支去模糊网络（Prior-Guided Deblurring Network, PGDN）：

   • 全局分支：采用状态空间模型（State Space Model, SSM，基于Mamba框架）捕捉长程依赖关系，通过选择性扫描机制（Selective Scan, S6）实现线性计算复杂度（式9-10）。
     
   • 局部分支：基于CNN的掩模引导网络，聚焦模糊区域。模糊掩模由长度参数生成（若长度超过阈值σ则判定为模糊区域）。
     

4. 训练流程：

   • 预训练阶段：通过ℓ1损失（式11）优化先验估计网络，确保再模糊图像与原始模糊图像一致。
     
   • 去模糊阶段：利用估计的模糊核参数和掩模指导双分支网络，通过ℓ1损失（式12）约束输出接近清晰图像。
     

主要结果

1. 模糊核估计精度：与Whyte[29]和UFPNet[6]相比，本方法的再模糊图像与原始模糊图像的PSNR/SSIM显著更高（表2），证明参数化建模和记忆库的有效性。
   
2. 去模糊性能：在ReLoBlur数据集上，PGDN的PSNR达36.53 dB（表1），优于Restormer[34]和LMD-ViT[18]等SOTA方法，且参数量（29.21M）和计算量（0.613T FLOPs）更低。视觉对比显示，本方法能更好恢复纹理细节（图5-6）。
   
3. 泛化性：在GoPro数据集上的全局去模糊任务中，PSNR达34.17 dB（表6），表明方法具有普适性。
   

结论与价值

本研究通过参数化模糊核建模和记忆库先验学习，解决了局部运动去模糊中模糊核估计不准和掩模依赖人工的问题。双分支网络结合Mamba的长程建模能力和CNN的局部细化优势，实现了高效高精度的去模糊。科学价值在于提出了可解释的模糊核参数化方法，应用价值为实际场景（如自动驾驶、医学成像）中的局部模糊修复提供了新思路。

亮点

1. 创新方法：首度将长度、角度、曲率参数用于模糊核建模，提升估计透明度和灵活性。
   
2. 记忆库设计：通过自监督更新机制存储真实运动先验，增强特征表示。
   
3. 计算高效：Mamba分支的线性复杂度使模型在保持性能的同时降低计算负担。
   

其他贡献

• 开源代码和数据集（ReLoBlur）促进了领域内复现与拓展。
  
• 消融实验验证了各模块必要性（表3-5），如变形卷积（Deformable Convolution）通过动态调整感受野进一步提升精度0.17 dB。
  

（注：专业术语如“State Space Model (SSM)”“Selective Scan (S6)”等在首次出现时标注英文原文。）