运动模糊不再按数据集各训一个模型：傅里叶卷积学习让一个网络跨相机跨场景去模糊
核心概要
一个统一运动去模糊网络把模糊当作卷积来学，在傅里叶空间做随输入变化的滤波，在GoPro上把PSNR从强基线EVSSM的33.26 dB提到34.02 dB，只多8G FLOPs。
深度剖析
运动去模糊开始用同一个网络处理不同相机、不同场景的模糊，而不是每个数据集单独训一个专用模型。 此前的去模糊网络大多在单一基准数据集上专门化，换到未见过的相机或场景时性能明显下降；已有的All-in-One复原模型把去噪、去雨和去模糊混在一个网络里，但去噪和去雨是加性退化，运动模糊是卷积退化，混在一起会带来优化冲突和特征干扰。 在统一训练协议下重训的对比中，UniDeblur-L在GoPro上把PSNR从EVSSM的33.26 dB提到34.02 dB，在HIDE上从31.70 dB提到32.49 dB，在RSBlur上从33.91 dB提到34.37 dB。
网络不再只做像素到像素的映射，而是在傅里叶空间里学一个随输入变化的全局滤波器，用逐元素相乘代替空间域的卷积核估计。 主流网络依赖空间域的像素级黑箱映射，只拟合图像内容本身，忽略了模糊的卷积本质；此前的频域方法要么把频率表示当作加性残差特征，要么只学一个与退化无关的静态全局滤波器。 消融实验里，把傅里叶卷积学习模块接到编码器与解码器之间的跳连上，无论用ConvBlock、MLPBlock、GatedBlock还是SS2DBlock，GoPro PSNR都从基线的31.96 dB升到32.26 dB以上，而FLOPs只增加约1.32G、显存只增加约1GB。
训练和评测改用多来源数据，并配一条数据剪枝与质量控制流程，把空间错位、真值残留模糊的样本剔除。 此前的方法主要依赖合成的GoPro数据集，它只有3.2K对模糊-清晰图像、33个场景，其中训练对仅2.1K，缺少真实世界的语义和核变化，容易过拟合。 训练语料由GoPro、HIDE、REDS、RSBlur、RealBlur、LOLBlur六个数据集组成，跨域测试用BSD1/BSD2/BSD3、MIORe、VAR-MIORe、FoundIR；在BSD2上UniDeblur-B的CLIPIQA为0.3031、MUSIQ为51.17，高于EVSSM的0.2856和47.88。
启示与展望
报道覆盖的是统一运动去模糊这一任务：一个网络在六个域内数据集上训练，在六个跨域测试集上评测，评测同时报告PSNR、SSIM与无参考的CLIPIQA、MUSIQ。适合关注图像复原、频域方法和跨域泛化的研究人员与工程读者。代码计划在github.com/DeepMed-Lab-ECNU/Single-Image-Deblur发布，测试数据集与实验结果也将整理发布。
跨域评测主要依赖CLIPIQA和MUSIQ这类无参考指标，因为真实场景的真值质量会随曝光时间下降，BSD上真值的MUSIQ从55.05降到49.70。消融显示把傅里叶卷积学习模块的深度从4加到8只带来很小增益，显存却升到46GB。ReLoBlur和RealLOL只作为诊断参考，未进入主实验比较，原因是前者存在色偏和真值残留模糊，后者缺少对应真值且以极暗场景为主。