Graph-Based Blind Image Deblurring From a Single Photograph论文阅读

1. 研究目标与产业意义

1.1 研究目标

论文旨在解决盲图像去模糊（Blind Image Deblurring）问题，即仅从单张模糊图像中同时恢复潜在清晰图像和未知模糊核（Blur Kernel）。传统方法依赖已知模糊核（非盲去模糊），而盲去模糊由于解空间的高度病态性（Ill-Posedness），需通过先验约束缩小解空间。

1.2 实际问题与产业意义

• 实际应用场景：因相机抖动、物体运动或失焦导致的图像模糊在智能手机摄影、安防监控、医学成像等领域普遍存在。
• 产业价值：提升图像质量可减少对硬件防抖技术的依赖，降低设备成本；在自动驾驶中，清晰图像对目标检测至关重要。

2. 创新方法：重新加权图总变分（RGTV）与图谱建模

2.1 核心思路与框架

论文提出了一种基于图信号处理的盲图像去模糊方法，其核心创新在于 重新加权图总变分 （Reweighted Graph Total Variation, RGTV）先验。该方法通过动态调整图边权，促进图像块的双模边权分布，从而恢复骨架图像并估计模糊核。

2.2 重新加权图总变分（RGTV）的数学定义与特性

2.2.1 RGTV的公式定义

RGTV的数学表达式为：
$$\Vert x{\Vert }_{RGTV}=\sum _{i=1}^N\sum _{j=1}^N{w}_{i,j}(x_i,x_j)|x_j-x_i|,\text{\hspace{1em}(7)}$$
其中，动态边权函数 $w_{i,j}(x_i,x_j)=\exp \left(-\frac{|x_i-x_j{|}^2}{{\sigma }^2}\right)$ 是像素强度差的指数函数。与传统GTV（公式6）的固定边权不同，RGTV的边权随像素差异动态变化：
$$\Vert x{\Vert }_{GTV}=\sum _{i=1}^N\sum _{j=1}^N{w}_{i,j}|$$