本人最近由于做相关去卷积工作，查阅了上百篇文献，发现在这个领域，可能也是‘水太深’了，并没有一篇较好的综述，现在做以下总结----

只对高斯与散焦模糊的非盲去卷积领域，对于运动模糊并未做总结，但实际上除了点扩散函数的估计有区别，实际上这三类去模糊甚至和去噪，损失函数模型都可以通用。

这里对于只做一家之言，如有反对意见请留言指正：

去模糊历史：

1.1970-1990年代用于航天天文领域（Astronaut field）；

2.1990-2010年代用于自然图片处理（运动模糊/相机PSF模糊/噪声影响）；

3.2010---年代，用于生物成像领域。

到现在为止，无论是否做去卷积领域工作的人，都喜欢在表征结果的时候加一步去卷积步骤，以提升图像分辨率和对比度，使图像易于分析与美观。

综述（模型未统一请见谅）：

去卷积领域的水尤其深，对于运动模糊/PSF模糊/噪声/不同成像领域，用法都不尽相同，现只总结在PSF模糊的非相干成像领域的去卷积方法。

实际上只有三种最具有代表性、用的最广的模式，至于其他则是他们的变体：

成像模型：y =Hx + n

其中H为PSF矩阵，x为目标（object），n为加性噪声。

1.Wiener逆滤波

虽然wiener去卷积方法很简单实用，但有时候效果并不好，N往往都是未知量，但由于简单和经典，将其也列在这里，但其实他的变体并不多。

2.Lucy-Richardson（LR）迭代去卷积

1972年Lucy提出的一种基于贝叶斯理论的，现在用处最广最频繁，并且变体最多的一种迭代去卷积方式，由于单纯逆滤波问题的局限性，现在几乎所有的去卷积工作者都利用类似正则化的先验手段，将去卷积问题转化为损失函数，加入正则化惩罚项，类似人工智能的手段，不断迭代寻优，以此达到良好去卷积结果。

LR去卷积假设其符合泊松分布（实际上就是相机接收光子的过程），这是所有成像系统几乎都符合的规则，所以article里多数都是LR的‘忠实粉丝’。利用最大似然估计，得出似然函数，对似然函数-log之后求解最小值的过程，一般采用的最优化方法为EM方法。

实际上很简单：也就是这一模型建立以后：y =K卷积I ，还有一步，即Image=Possion(y)。其假设我们获取得到的图像也就是Image是这一概率分布，则具体方式：

3.基于最小化误差的方法：

可以利用最小二乘以及Landweber迭代法。实际上，3某种程度上也是最大似然估计的一种，在假设图像符合高斯分布的同时，似然函数-log后做近似，可退化成这种模式。

-----------------------------------------------我是分割线------------------------------------------------------------------

加入正则化

插一句：实际上所有迭代算法都要在放大噪声及去卷积结果作为权衡来选择，迭代次数也是一种伪正则手段。

下面说说他们的各种变体：由于图像某种特殊的先验知识，可以对去卷积的损失函数加入惩罚项正则，以约束迭代结果，往往都很成功。首先介绍可以加在2上---LR去卷积，又可以加在3---2范数最小化误差去卷积上的正则法：

1.Tihkonov regularization（TR）

可以看到，这是以3为基础的正则，当然也可以用于2中，这里只做一个说明。有两种形式，一种单纯加入x的2范数做为正则，一种加入Tihkonov矩阵（小波矩阵）C×object，后者通常是高通滤波器，如拉普拉斯滤波器，但在没有进一步先验知识的情况下，可以选择为单位矩阵。这是加入原始图像平滑的先验知识，但是难免造成边缘模糊，（利用小波稀疏的特性抑制。），实际上TR正则在机器学习领域应用也很广。

2.Total Variance (TV正则)

加入的其实是x的一阶偏导数的L1范数正则化，可以很好地保留边缘信息。，为了公平，TV正则是LR+TV正则。

3.L1正则

加入L1为正则，以3为基础，由于L1矩阵可以造成结果的稀疏性，可以很好地抑制背景噪声，但注意系数不要过大，会过度滤除一些信息。

4.小波正则

依旧利用了小波的稀疏性。

5.以上几种正则为基础的各种混合模型。

下面说几个去卷积的最新进展：

1.发表在PNAS上：ER-Decon

2013：High-resolution restoration of 3D structures from widefield images with extreme low signal-to-noise-ratio

利用熵正则，使极低分辨率情况下图像可以得到很好去卷积效果

Huygens是专业去卷积软件，Deconvlab2是EPFL,BIG课题组提供的FIJI去卷积插件。

损失函数：h为PSF,g为目标，f为图像。

2.Nature Biotechnology(Hessian regularization)

2018：Fast, long-term, super-resolution imaging with Hessian structured illumination microscopy

wiener去卷积后得到SIM重建图像g，再对其重建：

3.Nature methods(类似TR正则):

2007：High-resolution threedimensional imaging of large specimens with lightsheet–based microscopy

实际上学习的是TR正则法。

加几个解释正则化的有用链接吧！

https://blog.csdn.net/zbwgycm/article/details/81187774

https://blog.csdn.net/m0_38045485/article/details/82147817

【图像去模糊】 deconvolution总结相关推荐

图像去模糊之初探--Single Image Motion Deblurring
曾经很长一段时间, 对图像去模糊都有一种偏见, 认为这是一个灌水的领域, 没有什么实用价值,要到这样的文章,不管是多高的档次, 直接pass. 最近在调研最近几年的关于Computational Ph ...
怎么p出模糊的照片_36. 盲去卷积 - 更加实用的图像去模糊方法
本文同步发表在我的微信公众号和知乎专栏"计算摄影学",欢迎扫码关注, 上一篇文章35. 去卷积:怎么把模糊的图像变清晰?吸引了很多朋友的关注.在这篇文章里面,我给大家讲了一种叫做& ...
Removing-Camera-Shake-from-a-Single-Photograph图像去模糊读书笔记
图片模型模糊图B.潜在图L与模糊核K的关系为: B=K⊗L+NB = K ⊗ L + N B=K⊗L+N 其中,⊗代表卷积(非周期边界条件),N表示每个像素上的传感器噪声. 我们假设图像的像素值与传 ...
CVPR 2018 | 使用CNN生成图像先验，实现更广泛场景的盲图像去模糊
现有的最优方法在文本.人脸以及低光照图像上的盲图像去模糊效果并不佳,主要受限于图像先验的手工设计属性.本文研究者将图像先验表示为二值分类器,训练 CNN 来分类模糊和清晰图像.实验表明,该图像先验比目 ...
图像去模糊（逆滤波）
引言图像模糊是一种拍摄常见的现象,我曾在图像去模糊(维纳滤波) 介绍过.这里不再详述,只给出物理模型,这里我们仍在频率域表示 G(u,v)=H(u,v)F(u,v)+N(u,v)(1) 其中提到最简 ...
【深度学习】图像去模糊算法代码实践！
作者:陈信达,上海科技大学,Datawhale成员 1.起源:GAN 结构与原理在介绍DeblurGANv2之前,我们需要大概了解一下GAN,GAN最初的应用是图片生成,即根据训练集生成图片,如生成 ...
CVPR 2022 3月7日论文速递（17 篇打包下载）涵盖 3D 目标检测、医学影像、图像去模糊、车道线检测等方向
CVPR2022论文速递系列: CVPR 2022 3月3日论文速递(22 篇打包下载)涵盖网络架构设计.姿态估计.三维视觉.动作检测.语义分割等方向 CVPR 2022 3月4日论文速递(29 篇打 ...
图像去模糊代码 python_用Keras搭建GAN：图像去模糊中的应用（附代码）
雷锋网 (公众号:雷锋网) 按:本文为雷锋字幕组编译的技术博客,原标题GAN with Keras: Application to Image Deblurring,作者为Raphaël Meud ...
更好也更快！最先进的图像去模糊算法DeblurGAN-v2
点击我爱计算机视觉标星,更快获取CVML新技术以GAN为代表的生成模型正在视觉造假的路上越来越成熟,狗变猫.白马变斑马.实景变素描是GAN用于高级图像生成的例证. 能否将GAN应用于低级的图像处理呢 ...
深度学习自学（三十一）：基于变分期望最大化深度学习的非盲噪声图像去模糊
整理的人脸系列学习经验:包括人脸检测.人脸关键点检测.人脸优选.人脸对齐.人脸特征提取,Re-ID等学习过程总结,有需要的可以参考,仅供学习,请勿盗用.https://blog.csdn.net/Th ...

【图像去模糊】 deconvolution总结