OID: Outlier Identifying and Discarding in Blind Image Deblurring论文阅读

1. 研究目标与实际意义

1.1 研究目标

论文旨在解决盲去模糊（Blind Image Deblurring）中异常值（Outliers）（如饱和像素、非高斯噪声）对模糊核估计和图像恢复的干扰问题。核心创新在于提出一种异常值识别与丢弃（Outlier Identifying and Discarding, OID）框架，通过显式检测并排除异常值，提升盲去模糊算法在复杂噪声环境下的鲁棒性。

1.2 实际问题与产业意义

传统盲去模糊方法（如暗通道先验[23]）假设噪声服从高斯分布，但在实际场景中，饱和像素（Saturated Pixels）和脉冲噪声（Impulsive Noise）等异常值会破坏模糊核估计的准确性（图1）。本文方法通过直接处理异常值，显著提升安防监控、移动摄影等场景中的图像恢复质量，尤其在低光照或高动态范围场景下具有重要应用价值。

---

2. 创新方法：异常值识别与丢弃框架（OID）

2.1 核心思路

论文的核心创新在于将异常值处理嵌入盲去模糊的优化框架，提出以下关键设计：

1. 异常值检测模块：基于稀疏性（Sparsity）和熵（Entropy）的联合判据，动态识别异常值。
2. 交替优化框架：在模糊核与潜在图像的迭代更新中，同步排除异常值的影响。

2.2 关键公式与模型架构

2.2.1 盲去模糊建模

模糊过程表示为：

$$B=I\otimes k+n+o,\text{\hspace{1em}(1)}$$

其中 $o$ 表示异常值（如饱和像素或噪声）。传统方法忽略 $o$，导致核估计偏差。

2.2.2 异常值检测模块

1. 稀疏性判据：异常值在空间域中稀疏分布，通过 $L_1$ 正则化建模：

   $$R_{\text{sparse}}(o)={\lambda }_o\Vert o{\Vert }_1.\text{\hspace{1em}(2)}$$

2. 熵基判据：异常值破坏局部熵分布，定义熵损失：

   $$R_{\text{entropy}}(I)=-\sum _{p\in \Omega }$$