ICCV 2025 | 强噪声去模糊天花板！残差引导策略 (RGS) 革新核估计，四大数据集上的全面领先
点击上方“小白学视觉”，选择加"星标"或“置顶” 重磅干货，第一时间送达在低光照摄影、手持拍摄等场景中，模糊图像往往伴随着严重噪声，这给盲去模糊任务带来巨大挑战。传统方法在强噪声干扰下，要么过度平滑丢失细节，要么保留噪声导致去模糊效果崩塌。ICCV 2025最新研究《Blind Noisy Image Deblurring Using Residual Guidance Strategy》提出的残差引导策略（RGS），为这一难题提供了突破性解决方案。
论文信息
题目：Blind Noisy Image Deblurring Using Residual Guidance Strategy
基于残差引导策略的盲去噪图像去模糊
作者：Heyan Liu、Jianing Sun、Jun Liu、Xi - Le Zhao、Tingting Wu、Tieyong Zeng
为何现有方法在噪声面前"失灵"？
盲图像去模糊的核心是从单张模糊图像中同时恢复清晰图像和模糊核，其数学模型可简化为：模糊图像=清晰图像×模糊核+噪声。当噪声水平升高时，现有方法会面临双重困境：
基于自然图像先验的传统方法，会因噪声干扰导致模糊核估计失真
深度学习方法虽能拟合大量数据，但在未知噪声类型下泛化能力差，且缺乏可解释性
实验表明，当噪声标准差σ≥0.05时，主流方法估计的模糊核会出现明显偏差，最终去模糊结果充斥伪影（如图2所示）。
图2：随着噪声水平提高，传统方法估计的模糊核逐渐失真（右列），导致去模糊结果崩塌
残差引导策略：跨尺度信息的智能接力
论文的核心创新在于提出残差引导策略（RGS），通过图像金字塔的跨尺度信息交互实现鲁棒估计。其核心思路是：用较粗尺度的"干净信息"指导精细尺度的估计，在去噪与保细节间找到完美平衡。
方法总体框架
图4：基于图像金字塔的残差引导框架，从粗到细逐步优化模糊核估计
整个流程采用由粗到精的迭代策略：
构建图像金字塔：将原始模糊图像逐步下采样生成多尺度图像序列
残差计算：在第i尺度，计算模糊图像与上一尺度估计结果的差异（残差）
残差包含当前尺度的噪声和细节信息（图4b）
残差净化：用引导滤波器对残差去噪，保留关键结构
图像校正：将净化后的残差叠加到上采样结果，生成噪声更少的校正图像
核迭代优化：用校正图像替代原始模糊图像，进行当前尺度的核估计
图4b：残差图像（左）与经引导滤波后的净化残差（右）对比
这种设计的精妙之处在于：不直接对原始图像去噪（避免细节丢失），而是通过残差处理实现"精准降噪"，让每个尺度的估计都建立在更可靠的基础上。
实验验证：四大数据集上的全面领先
研究团队在合成与真实数据集上进行了严苛测试，包括Lai等人数据集、Levin等人数据集、人脸图像数据集和Realblur真实图像集，全面碾压现有SOTA方法。
定量指标全面占优
在PSNR（峰值信噪比）、SSIM（结构相似性）、LPIPS（感知相似度）和MNC（核相似度）四大指标上，该方法均表现最佳：
平均PSNR比次优方法高出1-2dB
核估计准确率（MNC）提升超过15%
感知质量指标LPIPS显著降低，视觉效果更接近真实图像
图7：在Levin数据集上，所提方法（红色）在各噪声水平下的PSNR均显著领先
视觉效果惊艳
在强噪声（σ=0.1）条件下，对比方法要么保留噪声导致模糊，要么过度平滑丢失细节，而该方法能同时实现：
准确估计模糊核形状（图5中间列）
有效抑制噪声干扰
恢复纹理细节（如建筑边缘、文字笔画）
图5：高噪声下的去模糊结果对比，所提方法（右列）在细节保留和噪声抑制上表现最优
混合噪声场景同样稳健
针对现实中常见的高斯-泊松混合噪声，该方法依然保持出色性能。如图10所示，即使在复杂噪声干扰下，仍能准确估计模糊核，恢复清晰图像结构。
图10：高斯-泊松混合噪声下的去模糊结果，所提方法核估计更准确
为何RGS策略如此有效？
对比实验揭示了残差引导策略的独特优势：
选择性降噪：仅对残差进行滤波，避免直接处理原始图像导致的细节损失
跨尺度协同：粗尺度的低噪声信息为细尺度估计提供"锚点"，有效抑制误差累积
普适性扩展：可集成到多种现有去模糊框架中（如Dong等人方法），平均提升1.5dB的PSNR
图9：残差引导策略（RGS）与普通引导策略（NGS）的效果对比，RGS能更好保留细节
此外，该方法无需训练，计算成本远低于深度学习方法，且100次重复实验的PSNR方差仅为5.1×10⁻³，证明其具有极高的稳定性。
结语
这项研究为高噪声环境下的盲去模糊提供了新思路：通过残差引导实现跨尺度信息的有效传递，在不依赖大规模训练数据的情况下，实现了比深度学习方法更优的性能。其核心创新不仅在于提出的具体算法，更在于为解决"去模糊-去噪"权衡问题提供了普适性框架。
未来，研究团队计划探索更强大的滤波策略和非盲去模糊模块，进一步提升复杂噪声场景下的处理能力。对于计算机视觉从业者而言，这种基于物理模型的传统方法与现代优化策略的结合，或许能为更多逆问题提供新的解决思路。
下载1：OpenCV-Contrib扩展模块中文版教程 在「小白学视觉」公众号后台回复：扩展模块中文教程，即可下载全网第一份OpenCV扩展模块教程中文版，涵盖扩展模块安装、SFM算法、立体视觉、目标跟踪、生物视觉、超分辨率处理等二十多章内容。 下载2：Python视觉实战项目52讲 在「小白学视觉」公众号后台回复：Python视觉实战项目，即可下载包括图像分割、口罩检测、车道线检测、车辆计数、添加眼线、车牌识别、字符识别、情绪检测、文本内容提取、面部识别等31个视觉实战项目，助力快速学校计算机视觉。 下载3：人工智能0基础学习攻略手册 在「小白学视觉」公众号后台回复：攻略手册，即可获取《从 0 入门人工智能学习攻略手册》文档，包含视频课件、习题、电子书、代码、数据等人工智能学习相关资源，可以下载离线学习。 交流群 欢迎加入公众号读者群一起和同行交流，目前有SLAM、三维视觉、传感器、自动驾驶、计算摄影、检测、分割、识别、医学影像、GAN、算法竞赛等微信群（以后会逐渐细分），请扫描下面微信号加群，备注：”昵称+学校/公司+研究方向“，例如：”张三 + 上海交大 + 视觉SLAM“。请按照格式备注，否则不予通过。添加成功后会根据研究方向邀请进入相关微信群。请勿在群内发送广告，否则会请出群，谢谢理解~