通过去模糊范式实现联合去模糊和低光照增强 | 合肥工业大学汪萌团队

图像处理 • 来源：中国科学信息科学 • 2025年12月15日下午2:20 • 技术文章

研究团队：
赵随意，张召，韦炎炎，赵洋，汪萌：合肥工业大学
樊继聪：香港中文大学
颜水成：新加坡国立大学
论文链接：https://www.sciengine.com/SCIS/doi/10.1007/s11432-023-4562-8

研究意义

在现实生活中，我们拍摄的图像往往面临复杂的环境干扰，例如在夜间拍摄移动物体时，图像可能同时存在“运动模糊”和“光照不足”的问题。目前的深度学习方法通常针对单一任务（如单独去模糊或单独增强亮度）表现出色，但在处理混合问题时往往力不从心。

现有的解决方案通常面临两大难题：

(1) 数据昂贵。为了处理混合退化（如“模糊+低光”），通常需要采集大量对应的成对数据进行训练，这不仅成本高昂，而且极难获取。

(2) 分布差异。如果在训练时只见过“模糊”图像，模型在遇到“低光”或“混合”图像时通常会失效，因为推理数据的分布与训练数据差异过大。

本文提出了一种高效的新思路：能否仅使用“去模糊”的无监督数据训练模型，就能让它“顺便”学会低光照增强和处理混合退化？这项工作极大地降低了数据收集和模型训练的成本。

本文工作

为实现上述目标，本文提出了一种名为 DEvUDP (Individual/joint deblurring and low-light image enhancement in one go via unsupervised deblurring paradigm) 的全新策略。该方法在训练阶段仅使用非成对的模糊-清晰图像（且不包含低光数据），却能在推理阶段同时解决去模糊、低光照增强以及两者的混合问题。本文的核心框架包含两个非对称分支：转换分支 (T-branch)：负责将模糊图像映射到清晰域，利用生成器和反向生成器保持图像内容的一致性。自回归分支 (S-branch)：受噪声自回归技术启发，该分支通过显式的自回归约束，消除了图像中的伪影和噪声，并隐式地赋予了模型处理光照的能力。

本文的创新点如下：

(1) 极简训练策略：打破常规，仅使用无监督的去模糊数据进行训练，即可实现跨任务（低光照增强）和混合任务的推理，无需采集昂贵的混合退化数据。

(2) 新型网络架构：设计了包含 T-branch 和 S-branch 的双生成器架构，结合实例归一化 (IN) 和自回归技术，巧妙解决了推理数据分布偏移的问题。

(3) 性能可配置：提出了一套增强流程，可以通过配置不同的组件，在注重“感知质量”或“失真指标”之间灵活切换。