摘要
基于深度学习的盲图像去模糊方法通常通过估计模糊表征，并从模糊观测图像中重建目标图像。然而，在真实场景中，这类方法性能显著下降，主要原因在于其忽略了运动模糊的重要先验信息（例如，真实世界中的运动模糊具有多样性且为非均匀分布）。尽管已有部分方法尝试利用卷积神经网络（CNN）显式估计非均匀模糊核，但由于真实图像中缺乏空间变化模糊核的真值标签，准确估计仍面临巨大挑战。为解决上述问题，本文提出采用归一化流（normalizing flows）在隐空间中建模运动模糊核场，并设计CNN直接预测隐空间编码，而非直接预测模糊核本身。为进一步提升非均匀模糊核估计的准确性与鲁棒性，我们在隐编码估计过程中引入不确定性学习机制，并提出一种多尺度核注意力模块，以更有效地融合图像特征与估计的模糊核。大量实验结果表明，特别是在真实世界模糊数据集上的测试，所提方法在主观视觉质量与客观评价指标上均达到当前最优水平，并展现出优异的泛化能力，适用于非均匀图像去模糊任务。相关代码已公开，可访问：https://see.xidian.edu.cn/faculty/wsdong/Projects/UFPNet.htm。