Real-World Deep Local Motion Deblurring论文阅读

1. 研究目标与实际问题意义

1.1 研究目标

论文旨在解决局部运动模糊（Local Motion Blur） 问题，即图像中仅部分区域因物体快速运动而产生的模糊。传统去模糊方法主要针对全局模糊（如相机抖动），但局部模糊因目标位置随机、模糊程度未知且占比小，成为现有技术的短板。

1.2 实际问题

• 数据缺失：缺乏真实局部模糊数据集，现有数据集多以合成或全局模糊为主。
• 算法局限：全局去模糊网络在局部模糊任务中表现不佳，易在清晰背景区域引入伪影。
• 数据不平衡：模糊区域通常仅占图像的11.75%，导致模型忽视模糊区域。

1.3 产业意义

• 安防监控：提升运动目标（如行人、车辆）的清晰度。
• 自动驾驶：增强动态障碍物识别能力。
• 影视制作：修复运动物体的局部模糊，提升画面质量。

---

2. 创新方法：LBAG模型与关键技术

2.1 整体架构设计

图4：LBAG网络架构

SCM提取浅层细节，AFF融合多尺度特征，门控块实现区域聚焦。

论文提出 LBAG（Local Blur-Aware Gated Network），其核心架构基于多尺度UNet（MIMO-UNet）并引入局部模糊感知模块。网络流程如下：

1. 输入：多尺度局部模糊图像（缩放因子0.5, 1.0, 2.0）。
2. 编码器-解码器结构：
   • 3个收缩层（下采样）提取多尺度特征。
   • 3个扩张层（上采样）恢复空间分辨率。
   • 集成浅层卷积模块（SCM） 和非对称特征融合模块（AFF） 增强特征传递。
3. 门控块（Gate Block）：位于每个扩张层末端，实现模糊区域定位与内容重建的解耦。

“The gate block divides an input 4-channel feature map into a 3-channel latent and a 1-channel latent. The 1-channel latent passes through a sigmoid layer, forming a pixel-level local blur mask prediction.”

2.2 关键技术细节

2.2.1 真实模糊掩码生成（LBFMG）

方法：基于高斯混合模型（GMM） 的背景减除法生成真实模糊掩码（GT Mask）：

1. 输入当前模糊图像 $B_T$ 和同场景其他清晰/模糊图像。
2. 通过GMM更新背景模型，输出 $B_T$ 的前景掩码作为GT Mask。
   优势：避免手动标注，适应复杂场景（如运动物体与静态背景粘连）。

2.2.2 门控块（Gate Block）

图5：门控块操作流程

输入特征拆分为内容与掩码分支，通过Sigmoid生成软掩码加权输出。

结构（图5）：

1. 输入特征图 $F\in {\mathbb{R}}^{H\times W\times 4}$ 拆分为：
   • 内容特征 $F_c\in {\mathbb{R}}^{H\times W\times 3}$
   • 掩码特征 $F_m\in {\mathbb{R}}^{H\times W\times 1}$
2. 掩码预测：
   $$\hat{m}=\sigma (F_m),\text{其中}\sigma \text{为Sigmoid函数}$$
   $\hat{m}(x,y)\in [0,1]$ 表示像素 $(x$