SDWNet：一种基于小波变换的直线膨胀网络用于图像去模糊

图像去模糊是计算机视觉领域的一个经典问题，旨在从模糊图像中恢复出清晰的图像。现有方法通常采用编码-解码（Encode-Decode）架构设计复杂的网络结构，以实现优异的去模糊性能。然而，大多数方法依赖重复的上采样与下采样结构来扩大感受野，这在采样过程中容易导致纹理信息的丢失；此外，部分方法采用多阶段设计，也带来了模型收敛困难的问题。为此，本文提出的方法采用空洞卷积（dilated convolution）机制，在保持高空间分辨率的同时获取大感受野，充分挖掘不同尺度感受野的互补优势，从而提升重建效果。在此基础上，我们显著减少了上采样与下采样操作的次数，设计了一种结构更简洁的网络架构。同时，本文提出一种基于小波变换（wavelet transform）的新颖模块，有效增强网络对高频纹理细节的恢复能力。在真实数据集与合成数据集上的定性与定量实验结果表明，所提方法在去模糊性能上可与现有先进算法相媲美，且训练需求显著降低。相关源代码与预训练模型已开源，地址为：https://github.com/FlyEgle/SDWNet。