Deep Generalized Unfolding Networks for Image Restoration论文阅读-CSDN博客

本文链接：https://blog.csdn.net/yangqoor/article/details/148520448

Deep Generalized Unfolding Networks for Image Restoration

1. 论文研究目标与实际意义

目标：解决图像恢复（Image Restoration, IR）任务中传统深度学习方法可解释性差与依赖预定义退化过程的问题，提出一种兼具模型驱动可解释性与数据驱动自适应性的框架。
实际问题：

现有深度学习方法（如CNN）缺乏透明性，难以分析组件作用；
基于优化的方法（如DUN）需已知退化矩阵 $A$ （如模糊核、噪声分布），无法处理真实场景中复杂未知的退化（如空间变化的雨线、动态模糊）。
产业意义：
提升医疗成像（如MRI重建）、无人驾驶（雨雾去除）、手机摄影（夜景去噪）等场景的恢复质量；
模型可解释性有助于算法可靠性认证（如医疗诊断），推动AI在安全敏感领域的落地。

2. 创新方法：Deep Generalized Unfolding Network (DGUNet)

2.1 核心思路

论文将近端梯度下降算法（PGD, Proximal Gradient Descent） 展开为深度网络，通过三个核心创新解决传统DUN的局限性：

灵活梯度下降模块（FGDM, Flexible Gradient Descent Module）：自适应学习未知退化过程；
信息近端映射模块（IPMM, Informative Proximal Mapping Module）：沙漏结构实现多尺度特征提取；
跨阶段信息融合（ISFF, Inter-Stage Feature Fusion）：空间自适应归一化缓解特征→图像转换的信息损失。

2.2 灵活梯度下降模块（FGDM）

2.2.1 传统PGD的局限性

传统PGD迭代公式（论文式5a, 5b）：
$v^k = \hat{x}^{k-1} - \rho A^\top (A \hat{x}^{k-1} - y) \tag{5a}$
$\hat{x}^k = \operatorname{prox}_{\lambda,J}(v^k) \tag{5b}$
问题：需预知退化矩阵 $A$ （如模糊核、噪声分布），无法处理真实场景中未知退化（如空间变化的雨线、动态模糊）。

2.2.2 FGDM的创新设计

已知 $A$ 时（公式6）：
$v^k = \hat{x}^{k-1} - \rho^k A^\top (A \hat{x}^{k-1} - y) \tag{6}$
引入可学习步长 $\rho^k$ 提升鲁棒性。
未知 $A$ 时（公式7）：
$v^k = \hat{x}^{k-1} - \rho^k \mathcal{F}_{A^\top}^k \left( \mathcal{F}_A^k (\hat{x}^{k-1}) - y \right) \tag{7}$