近期，中國科學院上海光學精密機械研究所空天激光技術(shù)與系統(tǒng)部研究團隊，提出了一種結(jié)合自適應編碼器的高通用性圖像復原方法。相關(guān)成果以“AdaptiveNet: a learning-based method for the restoration of optically degraded images”為題發(fā)表于Journal of Optics。
 

　　近年來，基于深度學習的圖像復原方法受到了廣泛的關(guān)注，并展示了諸多令人矚目的成果，但是它們的實際應用仍受到圖像退化多樣性的限制。
 

　　針對這一問題，該研究團隊提出了一種結(jié)合自適應編碼器的高通用性圖像復原網(wǎng)絡。該網(wǎng)絡引入了自適應編碼器(Adaptive Encoder，AE)來“自學習地”(無需類別標簽的情況下)分類不同實驗條件，從而在無需改變原有訓練策略的基礎上提升模型在不同條件下的性能。該工作在散射成像，高斯模糊和離焦復原等常見退化問題上開展了實驗。結(jié)果表明，AdaptiveNet在所有復原任務上均取得最優(yōu)評價指標。可視化結(jié)果和真實退化圖像的測試也展示AdaptiveNet具有更優(yōu)的性能。網(wǎng)絡泛化性是限制模型廣泛應用的重要挑戰(zhàn)。該工作提出的結(jié)合網(wǎng)絡“自學習”的機制在多種任務上展現(xiàn)了高通用性，可以為眾多研究領(lǐng)域的通用算法設計提供有價值的參考。
 

　　相關(guān)工作得到了國家自然科學基金、上海市學術(shù)研究帶頭人計劃、上海市揚帆計劃等項目的支持。
 

圖1：AdaptiveNet模型框架，自適應編碼器的輸出與重建網(wǎng)絡融合。
 

　　圖2：AdaptiveNet在離焦模糊圖像復原任務中的表現(xiàn)。(a) AdaptiveNet在所有退化條件下均優(yōu)于UNet。(b)測試集的指標曲線，AdaptiveNet大幅優(yōu)于UNet。