摘要
图像去模糊旨在从对应的模糊图像中恢复出高质量图像。卷积神经网络（CNN）与Transformer的兴起推动了该领域取得显著进展。然而，现有方法往往在消除长距离退化干扰与保持计算效率之间面临权衡。尽管选择性状态空间模型（Selective State Space Model, SSM）在以线性复杂度建模长距离依赖关系方面展现出潜力，但仍存在局部像素遗忘和通道冗余等挑战。为解决上述问题，本文提出一种高效的图像去模糊网络，该网络利用选择性状态空间模型来聚合丰富且准确的特征。具体而言，我们设计了一种融合局部与全局信息的模块（Aggregate Local and Global Information Block, ALGBlock），以有效捕捉并整合局部不变特性与非局部信息。ALGBlock由两个核心模块构成：用于捕获局部与全局特征的模块（CLGF模块）以及特征聚合模块（FA模块）。其中，CLGF模块包含两条并行分支：全局分支通过选择性状态空间模型提取长距离依赖特征，局部分支则采用简化的通道注意力机制建模局部空间关联性，从而缓解局部像素遗忘与通道冗余问题。此外，我们进一步设计了FA模块，在融合两条分支特征的过程中重新校准权重，以增强局部信息的贡献，提升恢复效果。实验结果表明，所提方法在多个广泛使用的基准数据集上均优于现有最先进方法。