图像去模糊是图像处理领域中的一个技术过程，旨在恢复或提高模糊图像的清晰度，减少因各种原因（如运动、焦点不准等）导致的图像模糊。图像去模糊技术对于提高图像质量，增强视觉效果，以及在诸如医疗成像、卫星图像处理等领域中的应用具有重要意义。

本文提出的方法基于自注意力机制的不对称多尺度 U-Net（AMSA-UNet），在传统单尺度 U-Net 基础上做了改进。通过引入多尺度 U 形架构，该方法能够在全局层面关注模糊区域，并在局部层面更好地恢复图像细节。此外，自注意力机制的引入使得模型可以更好地捕捉长距离依赖性信息，显著提高了去模糊的准确性，同时引入基于频域的计算方法来减少计算量。

本文提出的方法能够有效解决传统单尺度 U-Net 在图像去模糊过程中遇到的空间信息丢失问题，并克服卷积方法在捕捉长距离依赖性方面的局限性。实验结果表明，与其他八种优秀方法相比，该方法在去模糊的准确性和处理速度上都有显著的改进，使得生成的去模糊图像更为准确且视觉效果更佳。

论文作者：Yingying Wang

作者单位：Shenyang Aerospace University

论文链接：http://arxiv.org/abs/2406.09015v1

内容简介：

1）方向：图像去模糊

2）应用：图像处理领域

3）背景：传统的单尺度 U-Net 在去模糊过程中常常导致空间信息的丢失，影响了去模糊的准确性。此外，由于卷积方法在捕捉长距离依赖性方面的局限性，恢复图像的质量也会下降。

4）方法：本文提出一种基于自注意力机制的不对称多尺度 U-Net（AMSA-UNet），以改善准确性和计算复杂度。通过引入多尺度 U 形架构，网络可以在全局层面关注模糊区域，并在局部层面更好地恢复图像细节。为了克服传统卷积方法在捕捉信息长距离依赖性方面的局限性，将自注意力机制引入到骨干网络的解码器部分，显著增加了模型的感受野，使其更多关注图像的语义信息，从而产生更准确和视觉上令人满意的去模糊图像。此外，引入了基于频域的计算方法以减少计算量。

5）结果：实验结果表明，与八种优秀方法相比，所提出的方法在准确性和速度方面都取得了显著的改进。