近期，中国科学院上海光学精密机械研究所空天激光技术与系统部研究团队，提出了一种结合自适应编码器的高通用性图像复原方法。相关成果以“AdaptiveNet: a learning-based method for the restoration of optically degraded images”为题发表于Journal of Optics。
近年来，基于深度学习的图像复原方法受到了广泛的关注，并展示了诸多令人瞩目的成果，但是它们的实际应用仍受到图像退化多样性的限制。
针对这一问题，该研究团队提出了一种结合自适应编码器的高通用性图像复原网络。该网络引入了自适应编码器(Adaptive Encoder，AE)来“自学习地”(无需类别标签的情况下)分类不同实验条件，从而在无需改变原有训练策略的基础上提升模型在不同条件下的性能。该工作在散射成像，高斯模糊和离焦复原等常见退化问题上开展了实验。结果表明，AdaptiveNet在所有复原任务上均取得最优评价指标。可视化结果和真实退化图像的测试也展示AdaptiveNet具有更优的性能。网络泛化性是限制模型广泛应用的重要挑战。该工作提出的结合网络“自学习”的机制在多种任务上展现了高通用性，可以为众多研究领域的通用算法设计提供有价值的参考。
相关工作得到了国家自然科学基金、上海市学术研究带头人计划、上海市扬帆计划等项目的支持。
图1：AdaptiveNet模型框架，自适应编码器的输出与重建网络融合。
图2：AdaptiveNet在离焦模糊图像复原任务中的表现。(a) AdaptiveNet在所有退化条件下均优于UNet。(b)测试集的指标曲线，AdaptiveNet大幅优于UNet。
