摘要
近年来，去模糊网络在从模糊图像中恢复清晰图像方面取得了显著进展。然而，这些方法在面对未知域时往往表现出较差的泛化能力。此外，现有模型通常仅关注PSNR、SSIM等客观失真度量，忽视了与人类视觉感知更为契合的主观评价指标。为解决上述局限，本文提出一种基于空洞邻域注意力（Dilated Neighborhood Attention）的去模糊Transformer——DeblurDiNAT。首先，DeblurDiNAT引入交替空洞率机制，有效捕捉局部与全局的模糊模式，从而提升模型的泛化能力与感知清晰度。其次，设计了一种局部跨通道学习器，辅助Transformer模块建模相邻通道间的短程依赖关系。此外，本文提出一种结构简洁而高效的线性前馈网络。最后，引入一种双阶段特征融合模块，替代传统方法，以更高效地处理网络不同层级间的多尺度视觉信息。实验结果表明，相较于当前最先进的模型，本方法在保持紧凑模型规模的同时，展现出更强的泛化能力，并在感知质量指标上取得了显著提升。