單圖像盲去模糊方法概述

劉利平，孫 建，高世妍

華北理工大學 人工智能學院，河北 唐山063210

在現代信息社會，圖像已經成為人們獲取事物信息的主要工具，人類獲取的海量數據有一半以上來自圖像。近年來隨著科學技術的不斷進步和圖像采集方法的多樣化，圖像數據大多來自手持和手機攝像頭、衛星、閉路電視等圖像資源。由于拍攝和成像過程的不完善，圖像很難避免拍攝的圖片有退化的趨勢。在拍攝過程中，手機或者數碼相機光學缺陷或者鏡頭對焦不準確難免會使記錄的照片出現模糊的現象。模糊圖像是在記錄某些時刻畫面時經常出現的一種現象，圖像去模糊的目的是以盡可能低的代價從模糊的圖像中恢復出比較清晰的原始圖像。

近年來，單幀運動模糊圖像的去模糊問題越來越得到人們的關注。從二十世紀六七十年代就被Stockham等人和Oppenheim等人當作案例處理卷積問題，從而也證明了是可以通過圖像處理算法對運動模糊圖片進行盲去模糊的。與此同時，Fergus 等人也通過應用自然圖像先驗和先進的統計技術，從照片中消除相機抖動效應，而且采用貝葉斯框架進行求解最大后驗概率估計（maximum a posteriori estimation，MAP），從而達到去除模糊的效果。因為基于圖像盲去模糊的問題大都是在估計模糊核的基礎上進行的，所以在接下來的幾年里，學者大都是在MAP 的框架上拓展研究的。直到You 等人提出一種新的變分模型來處理模糊核的估計問題。在后續研究中，Chan 等人、Krishnan 和Fergus相繼提出了全變分模型和拉普拉斯分布的方法來進行運動圖像的盲去模糊，兩者之間相輔相成，對模糊核的估計和還原出清晰的圖像有著較大的影響。

1 傳統的單圖像盲運動去模糊方法

全局運動模糊圖像復原：（1）基于極大后驗估計的方法。2013 年，Pan 等人首次利用圖像梯度的范數來構建正則化先驗。2016 年，Pan 等人利用自然圖像的重尾分布提出了一種超拉普拉斯先驗。同年，Pan 等人將圖像的強度以及梯度先驗進行結合，提出一種針對文本圖像的正則化先驗。接下來，Pan等人在He 等人啟發下率先提出了在圖像去模糊領域采用暗通道先驗方法能夠取得比較好的實驗效果。同時，Yan 等人也提出了一種亮通道先驗，并將其與暗通道先驗相結合提出了一種極端通道先驗去模糊的方法。（2）基于邊緣估計的方法。Joshi等人從單個模糊圖像中以邊緣子像素分辨率估算非參數、空間變化的模糊函數，從而估算出模糊核達到去模糊的效果。Jia在研究了物體邊界透明度和圖像模糊之間的關系后，將圖像去模糊分為濾波器估計和圖像去卷積過程，并提出了一種從alpha 值的角度估計運動模糊濾波器的新算法，將濾波器估計公式轉化為解決具有定義的可能性和先驗透明性的最大后驗（MAP）問題，從而更好去處理模糊圖像。

局部運動模糊圖像復原：（1）經典單層圖像模型方法。Bar 等人及Sorel 等人分別采用了一層圖像模型和一個空間變化的點擴散函數（point spread function，PSF）來對圖像的部分模糊進行去除。（2）適度用戶交互的局部估計技術去模糊方法。研究人員借鑒摳圖技術提出了兩層圖像模型，通過消光技術、強大的圖像先驗模型和用戶的幫助，實現了前景層和背景層的同時恢復，取得了良好的實驗效果。（3）完全自動化的局部估計技術去模糊。Bae 等人提出了一種增加圖像散焦的圖像處理技術，以模擬具有較大孔徑的透鏡的淺景深。Dai等人利用光流約束和運動模糊約束之間的相似性解決了許多空間變化的運動模糊估計問題。Joshi 等人從單個圖像以亞像素分辨率估計非參數的、空間變化的模糊函數，用來測量由有限的傳感器分辨率造成的模糊，即使對于對焦圖像也可以通過估計亞像素、超分辨率的PSF 來實現。Levin將圖像分割成具有不同模糊的區域，將模糊部分能用單個核來建模，并且可以用相同的核去卷積整個圖像減輕形成的偽影。表1 顯示了更多的傳統的圖像盲去模糊的方法。

表1 傳統的盲去模糊方法Table 1 Traditional blind deblurring methods

2 基于深度學習的單圖像盲去模糊方法

卷積神經網絡盲去模糊：使用卷積神經網絡（convolutional neural networks，CNN）對圖像進行去模糊并提高其分辨率（超分辨率）已得到廣泛且成功的研究。基于卷積神經網絡的圖像運動模糊恢復方法利用了圖像局部權值共享的優點。卷積運算可以方便地處理高維數據，避免特征提取過程中數據重構的復雜性。圖像運動去模糊的早期工作只能滿足整個圖像的均勻運動模糊。Fergus 等人提出方法是首先確定模糊核，然后執行反卷積以校正相機抖動來避免圖像模糊。Cronje通過使用卷積神經網絡估計圖像塊的運動矢量，將所有預測的運動矢量組合起來，以形成密集的非均勻運動估計圖，準確地確定了不均勻的運動模糊并恢復模糊的圖像。Xu 等人提出了一種用于圖像去模糊的深度學習算法，它能夠學習從模糊圖像中提取尖銳邊緣以進行內核估計，且不需要啟發式邊緣選擇步驟或在圖像去模糊中廣泛使用的從粗到細的策略，極大地簡化了核估計過程并降低了計算成本。針對傳統盲去模糊算法中需要估計模糊核的問題，Hradi?等人以端到端的方式專門針對文本圖像訓練了一個深層的CNN 模型，可以直接從模糊的輸入中重建高質量的圖像，而無需假設任何特定的模糊和噪聲模型。Schuler等人提出了一種神經網絡來估計模糊核，以進行通用圖像去模糊。然而，該方法需要針對不同大小的內核訓練不同的網絡，由于實際情況下的運動模糊相當復雜而限制了其應用的領域。

循環神經網絡盲去模糊：循環神經網絡（recurrent neural network，RNN）因其在順序信息處理中的優勢而成為一種流行的去模糊工具。循環神經網絡同樣也適用于圖像盲去模糊中，其具有記憶功能的神經網絡，在某種程度上創新于卷積神經網絡，適合序列數據的建模，還應用于圖像處理領域。Zhang 等人提出了一種用于動態場景去模糊的新型端到端空間變異遞歸神經網絡，其中RNN 的權重是由深層CNN 來學習的，通過分析提出的空間變體RNN 與去卷積過程之間的關系，表明了空間變體RNN 能夠對去模糊過程進行建模，得到訓練后的模型明顯更小。另外，Tao 等人提出了一個標度遞歸網絡，以及每個標度中的編碼器-解碼器ResBlocks 結構，新的網絡結構比以前的多尺度去模糊參數具有更少的參數，并且更易于訓練，取得了良好的實驗效果，并為后續的研究提供了新的方向。

對抗網絡盲去模糊：隨著人工智能的興起，生成式對抗網絡（generative adversarial networks，GAN）也日益廣泛應用到圖像處理領域，從低分辨率（low resolution，LR）對應物估計高分辨率（high resolution，HR）圖像再到現在對模糊圖像的處理，越來越得到了人們的重視。生成對抗網絡被用于去模糊，是因為它們在保留紋理細節和生成逼真圖像方面具有優勢。2014 年Goodfellow 等人提出一種新型的深度學習模型-生成式對抗網絡。在圖像去模糊的應用中，對抗網絡的生成器根據鑒別器的判別結果進行優化，鑒別器嘗試從生成的圖像中判別出清晰的圖像，直到鑒別器無法從生成的圖像中分辨出清晰的圖像，此時生成器的去模糊效果達到最佳。

近年來，GAN 網絡在圖像領域表現得越來越突出，Ledig 等人提出一種用于圖像超分辨率（superresolution，SR）的生成對抗網絡，其運用的深層殘差網絡能夠在公共基準上從大量降采樣后的圖像中恢復逼真的紋理，且在均值評分（mean opinion score，MOS）測試顯示，使用SRGAN（super-resolution generative adversarial networks）可以顯著提高感知質量，因此該方法可以很好地應用到圖像的去運動模糊問題當中。Chen 等人對于解決由于天基成像系統抖動或觀測目標運動而導致圖像退化的去模糊問題，結合WGAN（Wasserstein GAN）網絡提出了一種利用生成對抗網絡實現端到端圖像處理的無需在軌核估計運動去模糊策略，證明了該方法的可行性和有效性，同時表現出在定量和定性方面均優于現有的遙感圖像盲去模糊算法。2018 年，Kupyn 等人首先根據條件對抗網絡去除相機抖動的模糊，然后提出一種無核盲運動去模糊學習方法來彌補之前的不足，使用多分量損失函數進行優化的條件對抗網絡Deblur-GAN，對不同的模糊源進行建模，極大地幫助了對模糊圖像的檢測。與此同時，在2019 年，Kupyn 等人首次將特征金字塔網絡引入去模糊，并提出了一種新的端到端生成對抗網絡DeblurGAN-v2，用于單圖像運動去模糊，大大提高了去模糊的效率、質量和靈活性。表2 顯示了更多的深度學習圖像盲去模糊方法。

表2 基于深度學習的盲去模糊方法Table 2 Blind deblurring method based on deep learning

3 圖像盲去模糊的關鍵工作

3.1 數據集的構建

傳統數據集中的大部分模糊圖像都是通過一些固定核進行模糊處理的，很難模仿自然的模糊圖像。當使用機器學習中的算法處理某些問題時，數據集的質量直接會影響到算法運行的結果，因此高質量的數據集在研究后續問題中占有重要的地位。在當下去模糊的工作當中，很難在同角度、同位置且光線不變的情況下拍攝出一對清晰和模糊的圖像，相比于一些局部圖像恢復的數據集而言，對圖像去模糊的數據集的獲取標準更高一些，因此根據現有技術可以將數據集構造方法分為以下三類。

第一類是由圖像處理算法合成數據集。數據集可以像Levin 等人和Sun 等人由清晰圖像數據集圖像與模糊核卷積得到模糊圖像的數據集。同樣也可以像Lai 等人和Kupyn 等人一樣利用模擬生成的運動軌跡算法生成模糊核來構造模糊圖像的數據集，雖然容易獲得，但是該方式在三維平面上構造的運動模糊中存在很多的不足。

第二類是由攝像機運動軌跡綜合的模糊數據集，最典型的就是Kohler 等人在2012 年提出的Kohler數據集。Kohler數據集由4個圖像組成，每個圖像有12 個不同的內核，這是用于評估盲去模糊算法的標準基準數據集。隨著科學技術的進步，2017 年Nah 等人采用高速攝影機獲得了當前最大的GOPRO 模糊數據集。GOPRO 數據集是隨著時間的推移整合清晰的圖像來模糊圖像。而且GOPRO還可以模擬自然場景中的圖像模糊類型，其中包含2 103 個用于訓練的圖像對和1 111 個在測試集中的圖像對。通過這類方式構建的數據集雖然比較繁瑣，但是較第一類方式更能真實地模擬出生成運動模糊圖片的過程。

第三類是現實場景中拍攝的模糊圖像數據集，不會進行任何的后期算法處理。通過這種方式獲得的圖像數據集只有模糊的圖片，無法使用深度學習的算法對該方式生成的模糊圖像進行訓練，但依舊可以被用來作為測試集對去模糊后的圖片進行檢測評估。

3.2 圖像去模糊后的質量評價方法

圖像質量的評價可分為主觀評價和客觀評價。主觀評價主要是對人的視覺感官進行評價，而客觀評價則采用一種評價標準來比較圖像質量。常用的客觀評價方法有峰值信噪比（peak signal to noise ratio，PSNR）和結構相似性（structural similarity，SSIM）。峰值信噪比反映了估計圖像和原始清晰圖像的失真程度。一般來說，峰值信噪比越大，圖像恢復效果越好。它的表達式為：

SSIM 是比較全面的圖像評價指標，分別從亮度、對比度和結構相似度評價圖像，其中u、u分別表示圖像和的均值，σ、σ分別表示圖像和的方差，σ表示圖像和的協方差。SSIM 衡量的是兩幅圖像的相似度，其值在0 到1 之間，越趨近于1說明相似度越高，復原的結果越好。

3.3 實驗評估

為了比較傳統去模糊方法及深度神經網絡去模糊方法的去模糊性能，對部分去模糊方法在GoPro 數據集、Kohler數據集、Lai數據集中的“face2”公共數據集、Helen數據集、CelebA數據集和實拍模糊圖像上進行了定量和定性的評估實驗。定量評估主要是使用不同去模糊方法的峰值信噪比（PSNR）和結構相似性（SSIM）的值來測試去模糊的效果。定性評估則是使用視覺圖形來直觀地對去模糊后的圖像進行評估。

在單圖像盲運動去模糊實驗中，為了直觀對比傳統優化模型的去模糊性能，本文選擇Kohler 數據集上的自然圖像定性評估算法的優劣性能。圖1 顯示了四種傳統優化模型在Kohler 的某個數據集上去模糊的效果，其中（a）～（d）的去模糊算法實驗均是在Windows10 系統下的Matlab 2020 中完成。為了使實驗的精度和速度達到平衡，實驗中設置步長為0.1，=5，=10 和一些超參數==0.004，=2。通過比較這幾種方法，和較先進的Pan 等人的方法相比，Li的方法可以生成更清晰的圖像和更少的振鈴偽影。為了評估深度學習技術對模糊圖像的去模糊性能，Kupyn等人選擇了Lai公共數據集中“face2”圖像進行測試。圖2 展示了幾種傳統優化模型和深度學習模型在Lai 數據集的“face2”測試圖像的定性比較。其中（a）、（b）、（c）、（d）、（f）的去模糊算法是在Windows10 系統中Python=3.6 搭載PyTorch1.4.0環境下完成的，（e）、（g）算法是在Windows10 系統的Matlab 2020 中完成的，（h）算法是在Windows10 系統的OpenCV 中完成的。結果表明，利用DeblurGANv2 算法和SRN-DeblurNet 算法得到的圖像是當中表現得較好的兩個結果，兩者都在邊緣銳度和整體平滑度之間取得了很好的平衡。但是通過仔細觀察，發現SRN 在這個圖像上仍然會產生一些鬼影，例如，從衣領到右下面部區域的白色“侵入”，但DeblurGANv2 算法與其他神經網絡和傳統算法相比，模型無偽影，圖像表現得更平滑，視覺上更令人愉悅。因此DeblurGAN-v2 無偽影去模糊性能較圖2 中其他方法更加突出。

圖1 Kohler數據集中鐘擺圖像不同方法去模糊后的結果Fig.1 Results of different methods of deblurring pendulum image in Kohler dataset

圖2 Lai數據集的“face2”測試圖像的定性比較Fig.2 Qualitative comparison of“face2”test images of Lai dataset

為了更好地評估一些去模糊方法的性能，將傳統的部分去模糊方法與深度學習的方法進行了定量的比較，其中包括4 種傳統的去模糊模型優化方法，10 種深度學習的去模糊方法。為了比較不同方法對圖像去模糊后的復原程度，在GoPro 和Kohler數據集中選擇出設定好的訓練集和測試集統一進行對比評估。傳統的去模糊方法在Windows10系統下的Matlab 2020 中完成；深度學習去模糊算法在Windows10 系統中Python=3.6 搭載PyTorch1.4.0 環境下完成，使用ADAM（adaptive moment estimation）優化器，設置學習速率為10，每次學習150個歷元，線性衰減至10，保存預先訓練的主干權重3 個歷元，然后保存所有的權重并繼續訓練，最終利用訓練好的權重對測試集進行評估。表3 顯示了不同網絡和優化技術在GoPro數據集上的PSNR 和SSIM 結果。傳統的優化技術模型在GoPro 數據集上進行定量評估中，通過比較這幾種方法的標準性能指標（PSNR、SSIM），Whyte 等人的參數化幾何模型較其他方式效果較好；深度學習不同網絡模型在PSNR/SSIM方面定量評估中，Aljadaany等人提出的Dr-Net 網絡模型和Tao 等人提出的SRN 網絡模型較其他方式效果較好。表4 顯示了不同網絡和優化技術在Kohler 數據集上的PSNR 和SSIM 結果。傳統的優化技術模型在Kohler數據集上進行定量評估中，通過比較這些方法的標準性能指標（PSNR、SSIM），Xu 等人提出的去模糊優化方式在該數據集上較其他方式效果較好；深度學習不同網絡模型在PSNR/SSIM 方面定量評估中，Aljadaany 等人提出的Dr-Net網絡模型和Tao等人提出的SRN網絡模型在Kohler數據集中較其他方式效果較好。

表3 GoPro 數據集上不同方法的PSNR 和SSIMTable 3 PSNR and SSIM of different methods on GoPro dataset

表4 Kohler數據集上不同方法的PSNR 和SSIMTable 4 PSNR and SSIM of different methods on Kohler dataset

在Kohler 數據集實驗過程中，DR-Net 雖然達到了很高的峰值信噪比，但在PSNR 方面還沒有達到最好的水平。Xu 等人獲得了27.47 dB 的高值。盡管如此，DR-Net 在SSIM 方面獲得了最優的0.865，Xu等人緊隨其后，為0.811。但是，Xu 等人在GoPro測試集上獲得了20.30 dB 的低分貝，而DR-Net 獲得了30.35 dB。這可能是因為Xu 等人需要對整個圖像進行單一的模糊核估計，同時也說明了Xu 等人對于空間上均勻的模糊（如Kohler 測試集中的模糊）有很好的處理性能。然而，GoPro 是一個具有空間異質模糊的真實世界測試集，因此強制對整個圖像進行單一內核估計不是理想的方法，這導致Xu 等人在GoPro 上表現不佳，這也有助于證明DR-Net 沒有這個問題，可以很好地處理空間異構模糊（它在GoPro測試集上獲得了最優的技術）。

在對人臉模糊圖像盲去模糊中，人臉等自然圖像的內在語義結構是一個重要的信息，可用于改善去模糊結果。很少有技術以語義標簽的形式使用這些先驗信息，這些方法沒有考慮到與人臉對應的語義圖的類不平衡，與面部皮膚、頭發和背景標簽相比，面部的內部部分（如眼睛、鼻子和嘴巴）的代表性較少。表5展示了Helen數據集上的PSNR和SSIM 結果。表6 展示了CelebA 數據集 上的PSNR 和SSIM 結果。其中傳統的去模糊方法在Windows10 系統下的Matlab 2020中完成；深度學習去模糊算法在Windows10系統中Python=3.6 搭載PyTorch1.4.0 環境下，批次大小為16，學習率設置為0.000 2，使用ADAM 優化器進行訓練完成。從表中的PSNR 和SSIM 值可以得出，基于傳統的MAP的方法Cho等人、Krishnan等人、Xu 等人、Shan 等人、Zhong 等人在去模糊人臉圖像方面效果較差，導致了較多的振鈴偽影，而Pan等人基于MAP 的人臉去模糊方法對噪聲不具有魯棒性，并且高度依賴于參考圖像的相似性。Nah 等人基于CNN 的方法沒有考慮人臉語義信息，從而產生過于平滑的結果。相比之下，雖然Shen 等人所提出的方法利用全局和局部人臉語義來恢復具有更多細節和更少視覺偽影的人臉圖像，但是Yasarla等人提出的不確定性引導多流語義網絡去模糊方法還要優于Shen 等人提出的語義類方面的性能。此外，還利用Xu 等人、Zhong 等人、Shen 等人方法對部分真實模糊圖像進行了實驗。不同去模糊方法的結果如圖3 所示。其中（a）、（b）的去模糊算法是在Windows10 系統中Python=3.6 搭載PyTorch1.4.0 環境下完成的，去模糊算法（c）、（e）是在Windows10 系統的Matlab 2020 中完成的，去模糊算法（d）是在Windows10 系統的OpenCV 中完成的。從圖中可以看出，與最先進的方法相比，Yasarla 等人提出的UMSN（uncertainty guided multi-stream semantic network）可以產生更清晰的圖像。例如，Xu 等人、Zhong等人方法產生包含偽像或模糊圖像的結果。如圖3的第1～6 張所示，Kupyn 等人、Shen 等人無法重建眼睛、鼻子和嘴巴。然而，眼睛、鼻子和嘴巴區域在對應于Yasarla 等人使用的UMSN 方法中的圖像是清晰可見的。

圖3 真實模糊圖像上的去模糊后的結果Fig.3 Results of deblurring on real blurred image

表5 Helen 數據集上不同方法的PSNR 和SSIMTable 5 PSNR and SSIM of different methods on Helen dataset

表6 CelebA 數據集上不同方法的PSNR 和SSIMTable 6 PSNR and SSIM of different methods on CelebA dataset

為了使本文實驗更具有參考價值，使用iPad 平板設備相機在現實生活中捕獲了一張分辨率為512×512 像素的運動模糊圖像，然后在Windows10 系統下的Matlab 2020 中用幾種傳統的優化技術對模糊圖像進行去模糊處理，其中設置步長為0.1，=5，=10 和一些超參數==0.004，=2。圖4 顯示了捕獲的帶有星巴克模糊標識圖像在幾種不同去模糊方法下的結果。從處理后的結果來看，Pan等人利用正則化強度梯度先驗算法和Li 等人采用的基于數據驅動判別性先驗算法得到的圖像是當中表現得較好的兩個結果。Krishnan 等人、Xu 等人和Pan 等人處理后的圖像有明顯的偽影，清晰度也很低。直觀對比來看，Li等人的方法生成的圖像更清晰且偽影更少。

圖4 不同方法對星巴克模糊圖像處理后的結果Fig.4 Results of different methods on Starbucks blurred image processing

綜上來說，通過比較這些方法的標準性能指標（PSNR、SSIM）和視覺圖形結果可以很容易得出：傳統的優化方法存在嚴重的振鈴偽影和較大的模糊，這是優化方法的一個關鍵問題，但不影響深度學習方法。深度學習方法在小模糊和大模糊上表現出穩定的性能，而優化方法在從小模糊重建更清晰的邊緣方面做得很好，但在大模糊上表現不好。這些觀察結果表明，深度學習方法在小模糊上的性能仍需要改進。

4 趨勢展望

圖像去模糊在圖像處理領域越來越得到學者的關注，無論是理論研究還是實際應用方面都取得了較多的成果和進展，但未來仍有一些待提高的方面有待完善和解決。

4.1 數據集的更新

在深度學習中，數據集的質量直接影響著后續的實驗效果，數據集的質量和更新對圖像的去模糊有著較深的意義。現在常用的最大數據集為GOPRO 數據集，該數據集僅僅是擴大了數據集的數量，得到的數據集多樣性不夠且場景太單一，甚至有的表現得運動模糊不是特別明顯。同樣其他一些由算法合成的數據集，數據量較少，在論證時表現得不夠充實。因此在當前形勢下，需要對數據進行豐富和更新，不僅要保證數據量充足，還要充分滿足實驗的要求。

4.2 網絡結構的改進

隨著機器學習在圖像處理領域算法的成熟，深度學習的網絡結構也變得越來越多樣化，因此由不同的需求對網絡結構進行不同方向的創新和改進變得很有必要。Yan 等人在進行圖像去模糊中只是運用了簡單的生成網絡，沒有延伸其網絡結構。但是隨著網絡結構的豐富，追求更高的去模糊效果，則需要在原來的網絡結構模型結構中進行拓展和加深，而不再單單滿足于基礎的網絡結構。

4.3 更客觀的評價指標的提出

如今廣泛應用的峰值信噪比和結構相似性指數與人們的主觀感受相差甚遠，特別是當圖像中存在不均勻運動模糊時，因此在處理實驗結果的時候，一個可參考的評價指標能夠很好地對處理過后的去模糊圖像進行評價和對使用算法的合理性進行評估。隨著去模糊技術的發展，為了公平公正地對處理后的去模糊后圖像進行評估，需要在該領域得到一種公認的評價標準，而不再是在論文后面還要附上人們的感知測試效果。

5 結束語

本文對圖像去模糊的傳統優化方法以及深層神經網絡方法進行了比較、研究和總結。注意到在用深度學習去模糊的過程中，很難獲得包含成對的銳化和模糊圖像的數據集。到目前為止，最好的數據集是那些由相機和對象運動產生的高速視頻短序列的數據集，但這些數據集對于訓練去模糊網絡仍然不理想。更重要的是，現有數據集沒有包含足夠的圖像訓練去模糊網絡來處理不同的自然場景。可以在網絡上獲得大量的單獨的清晰和模糊的圖像，而使用未配對的圖像來訓練去模糊網絡的方法將是一個突破。兩項開創性的研究最近展示了如何使用模糊特定的表示和特征解決以無監督的方式訓練去模糊網絡。但是，只有在表現出空間不變模糊的人臉圖像上才能取得成功，因此將無監督學習擴展到廣泛的自然圖像有著很大的潛力。現有的評估方法在實驗過程中也有很多的不足。首先，合成的模糊圖像往往不能捕捉到真實運動模糊退化的復雜性和特征。對這些數據集的評價不能反映真實圖像上單幅圖像去模糊算法的性能。其次，現有的方法使用PSNR 和SSIM 來量化性能，這在圖像去模糊中不能很好地與人的感知相關。由于缺乏對人類感知的研究，很難對去模糊算法的性能進行比較。針對評估方法的不足，在未來的實驗中可以選擇許多全參考和非參考的圖像質量度量指標進行評估，從而更好地量化去模糊的性能。最后，通過本文的論述、評估和分析，希望能夠對未來的盲去模糊的課題研究提供一定的理論基礎。