编辑推荐：
为解决现有卷积稀疏编码（CSC）模型在图像恢复中单尺度表示和聚焦重构图像的局限，研究人员提出多尺度残差 CSC 网络，结合 U 型 Transformer 提取多尺度特征，经实验验证其在运动去模糊中优于先进方法，推动图像恢复技术发展。
在数字图像处理领域，运动模糊是摄影中常见的难题，由相机与拍摄场景的相对运动引起，会破坏图像的边缘、纹理和结构，不仅影响视觉体验，还对依赖清晰图像的计算机视觉应用产生负面影响。尽管过去几十年在运动模糊图像恢复（MBIR）领域已取得显著进展，但传统方法如基于稀疏表示的卷积稀疏编码（CSC）模型仍存在明显不足。现有 CSC 模型大多通过单一尺度的通用字典表示图像，无法像卷积神经网络（CNN）那样提取多尺度特征，且其聚焦于图像重构，而非像 CNN/Transformer 网络那样关注残差特征的重建，这导致其在图像恢复任务中的效果往往不如先进的深度学习模型。因此，如何提升 CSC 模型的多尺度特征处理能力和残差特征重建效率，成为运动去模糊领域亟待解决的关键问题。
为应对这些挑战，国内研究人员（基于基金信息推测）开展了多尺度残差卷积字典学习的相关研究，其成果发表在《Digital Signal Processing》。该研究提出一种新颖的多尺度残差卷积字典学习（MRCDL）技术，旨在通过结合 CSC 与 Transformer 网络，更高效地解决运动去模糊问题。
研究主要采用以下关键技术方法：首先，利用 U 型 Transformer 网络进行多尺度特征提取，该网络能够将图像转换为比固定值小波变换更稀疏的表示；其次，设计多尺度残差卷积稀疏编码（RCSC）模块，通过学习多尺度、多维卷积字典和稀疏表示，在特征域中进行残差特征重建；最后，借助学习的迭代收缩 / 阈值算法（LISTA）展开求解联合 RCSC 优化问题的过程，实现跨尺度的失真信息联合建模与校正。
研究结果
多尺度残差 CSC 网络的设计
研究指出，现有 CSC 模型因单尺度表示和缺乏残差特征重建机制而效果受限。为此，提出的 RCSC 模型采用多组多尺度、多维字典重建残差特征。其中，U 型 Transformer 网络的结构类似 U-Net，通过不同尺度的卷积滤波器分析图像，捕捉多视角特征，使模型能更有效地处理空间异质图像数据。同时，残差特征在特征空间的稀疏性高于空间域，通过可学习的卷积滤波器构建残差特征空间，可实现更稀疏的表示，进而提升去模糊效果。
模型性能验证
在多种运动模糊图像数据集上的实验表明，MRCDL 模型在定量指标（如峰值信噪比等）和主观质量（如边缘、纹理清晰度）方面均表现出色，优于现有的 CSC 基方法（如用于去噪的 [36] 和去块的 [47]）以及部分领先的 CNN/Transformer 模型。此外，模型在保持合理网络参数数量和计算复杂度的同时，展现出良好的泛化能力，无论是合成还是真实运动模糊图像（包括相机抖动和物体运动引起的模糊），均能有效去除模糊伪影，恢复出细节丰富的清晰图像。
研究结论与意义
该研究首次将 CSC 与 Transformer-based DNN 相结合，提出的 MRCDL 技术为运动去模糊提供了新的解决方案。通过多尺度特征提取和残差特征重建，模型克服了传统 CSC 模型的局限性，显著提升了图像恢复性能。其创新点在于引入多尺度字典和残差学习机制，增强了模型对图像多维度特征的捕捉能力，同时通过 LISTA 算法保证了模型的可解释性和学习能力。该研究不仅为运动模糊图像恢复领域提供了更高效的方法，也为稀疏表示与深度学习的结合提供了新思路，有望推动计算机视觉、医学影像等依赖清晰图像的领域发展。
