近日，电子电气与物理学院陈健副教授课题组与西北工业大学计算机学院陈耿教授课题组提出了一种基于注意力机制及信息解耦的轻量级图像去模糊网络，相关研究成果“Lightweight Image Deblurring via Recurrent Gated Attention and Efficient Decoupling”在国际期刊《IEEE Transactions on Circuits and Systems for Video Technology》（TCSVT）上发表（论文链接：https://ieeexplore.ieee.org/document/10723761）。论文针对不同场景采集得到的图像严重模糊问题，以轻量化网络为目标，设计了一种结合循环门控注意力及有效解耦的网络RGE-Net（图1为网络结构框图），实现了较小参数量情况下对自然场景图像的有效去模糊。该成果受到国家自然科学基金、福建省自然科学基金等项目资助。
目前图像去模糊主要采用深度卷积神经网络、循环卷积神经网络及基于Transformer的网络，并主要针对去模糊准确性及网络轻量化问题分别研究，二者之间很难取得一个较好的平衡。在本研究中，针对循环卷积神经网络因训练路径较长产生错误特征的风险更高的问题，提出采用门控注意力以抑制来自循环路径中的错误特征，并将循环路径与大核卷积相结合提出循环门控注意力模块。其次，针对严重模糊图像在空间维度和通道维度之间的跨维度关系上更为复杂的问题，提出一个有效解耦模块将空间维度信息与通道维度信息进行解耦处理，并采用注意力机制将二者再次耦合，该模块在降低算法复杂度的同时，提升了图像去模糊的性能。最后，提出的RGE-Net将上述两个模块融合到编码—解码结构中，实现了对自然图像的有效去模糊（图2为不同方法在GoPro数据集上的图像去模糊结果对比）。实验表明，该网络保证轻量化的同时，在不同模糊图像数据集上均具有较优的去模糊准确性，实现了二者的有效平衡。
图1 GRE-Net网络整体结构框图及各模块结构框图
图2 本文方法与不同方法在GoPro数据集上的图像去模糊结果对比