摘要
图像去模糊任务是一个病态问题，对于模糊图像而言存在无穷多个可行的解。当前的深度学习方法通常忽略模糊核的学习过程，直接采用端到端的监督学习。现有的主流去模糊数据集将标签定义为众多可行解中的一个。然而，我们认为在标签由随机分布采样生成的情况下，直接指定某一特定标签是不合理的。因此，我们提出让网络学习可行解的分布特性，并基于这一思想设计了一种新型的多头输出架构及其相应的分布学习损失函数。该方法使模型能够输出多个可行解，以逼近目标解的分布。此外，我们进一步提出一种新颖的参数复用（parameter multiplexing）方法，在降低模型参数量与计算开销的同时，提升了模型性能。我们在多个图像去模糊模型上对所提方法进行了评估，包括当前最先进的NAFNet模型。实验结果表明，采用多头输出策略时，整体最佳性能（对每张验证图像从多个头中选取最高得分）的PSNR相较于基线方法提升达0.11~0.18 dB；而单个最优头（在验证集上表现最佳的头）的PSNR提升也达到0.04~0.08 dB。相关代码已开源，地址为：https://github.com/Liu-SD/multi-output-deblur。