Wavelet-based multilevel framework for $\ell_1$-regularized image deblurring

在数字成像领域，清晰度往往是距离、运动或不完美镜头带来的首个牺牲品。当相机捕捉场景时，生成的图像经常是现实的一个模糊版本，被一层模糊的阴影所遮蔽，这种阴影使锐利的线条变得模糊，使清晰的形状变得浑浊。这种被称为“模糊”的现象是典型的逆问题：科学家和工程师知道是将清晰图像变为模糊图像的规则，但要通过逆转该过程来恢复原始图像却极其困难。数学上的挑战在于，理论上许多不同的清晰图像都可能产生相同的模糊结果，而数字传感器固有的噪声使得这项任务变得更加不稳定。为了解决这个问题，研究人员使用被称为“正则化”的数学工具，它们就像一套规则，引导恢复过程趋向于最合理的答案。在这些工具中，一种偏好锐利边缘而非平滑梯度的特定规则，已成为恢复需要保留清晰细节（如文字或建筑线条）图像的标准方法。

然而，难点在于将这些规则应用于大型、高分辨率图像在计算上是非常耗时的。这就像是在尝试解决一个巨大的拼图，其中每一块都略有偏差，而你必须同时调整数百万块拼图才能找到真实的图像。试图一次性修复整个图像的传统方法通常需要不切实际的时间，尤其是随着图像尺寸的增加。这正是 Danyh Tolah、Malena I. Español 和 Misha E. Kilmer 研究工作的切入点。他们开发了一种新策略，将这个庞大的问题分解成更小的、易于处理的层级，自下而上地解决这个拼图。他们的研究方法结合了一种处理锐利边缘的特定数学技术，以及一个多层框架，在不牺牲最终图像质量的前提下提高了计算速度。

研究人员专注于三种常用于执行此类图像恢复的数学引擎。这些引擎通过反复优化对清晰图像的估计来工作，在每一次迭代中调整其内部设置，以尽可能接近真相。虽然这些引擎功能强大，但在处理大尺寸图像时速度较慢，因为它们在每一步都必须处理全分辨率下的每一个像素。为了克服这一点，团队将这些引擎封装在一个“多级”框架内。可以将图像想象成一组嵌套的地图，从高度详细的街道视图到简单的、低分辨率的城市布局草图。研究人员的方法首先在最简单、最小的草图上解决问题。一旦在该层找到了解，它就会被传递到下一个稍详细一点的层级，以此类推，直到解到达全分辨率的高清图像。这使得繁重的工作可以在小巧、快速的层级上完成，而最后的详细层级只需要进行微小且快速的调整。

他们创新的关键部分在于决定究竟向下一层传递什么信息。他们测试了两种截然不同的信息传输方式。第一种方法，他们称之为“解传递法”（solution transfer approach），仅仅是将粗糙层级中发现的模糊、低分辨率图像进行拉伸，作为下一层的初始猜测。第二种方法，称为“辅助传递法”（auxiliary transfer approach），则更为复杂。它不仅仅传递图像本身，还传递了数学引擎在粗糙层级解决问题时所使用的内部“提示”或辅助数据。这些提示不仅告诉精细层级的引擎在哪里寻找，还告诉它在低分辨率下是如何思考边缘和梯度的。

团队还实验了两种不同类型的数学滤波器，称为“小波”（wavelets），它们充当了将图像压缩进这些不同层级的“透镜”。其中一种是“哈尔小波”（Haar wavelet），它会创建一个块状的、分段常数的图像近似，非常擅长精确确定边缘开始和结束的位置。另一种是“道布希小波”（Daubechies wavelet），它会创建一个更平滑的近似，虽然能保留线条和曲线的总体形状，但会略微模糊边缘的确切位置。研究人员发现，所使用的滤波器类型与信息传递方法之间存在一种迷人且特定的相互作用。当他们使用块状的哈尔小波时，传递内部提示的方法表现得明显优于仅传递图像的方法。相反，当他们使用更平滑的道布希小波时，直接传递图像的方法效果最好。

这一发现表明，传输信息的性质必须与压缩图像的数学工具的性质相匹配。块状的哈尔小波能很好地保留边缘的锐利位置，因此传递内部提示可以让求解器在精细层级立即锁定这些边缘。然而，道布希小波产生的图像整体形状更准确，因此仅仅传递这种形状比传递内部提示提供了更好的起点，因为对于这种特定的滤波器，内部提示可能不够精确。研究人员在各种尺寸的图像上测试了这些组合，包括复杂的几何图案和一个二维码，并发现这种相互作用在所有情况下都成立。

在速度方面，结果是惊人的。在他们测试的三种数学引擎中，多级方法比传统的全图求解方法快了十五倍以上。对于另外两种引擎，提速幅度较为温和，但恢复图像的质量保持在高水平，并且在某些情况下，多级方法产生的图像更清晰、误差更少。团队也指出，选择哪种组合取决于具体目标。如果优先考虑速度且图像具有非常锐利、清晰的边缘，那么使用块状滤波器配合提示传递法是最理想的。如果图像包含更平滑的梯度，或者目标是保留物体的整体形状，那么使用平滑滤波器配合图像传递法则更为优越。

这项研究并未声称已经解决了所有可能的图像恢复问题，也没有暗示这些方法适用于每一种类型的模糊或噪声。事实上，他们发现了一个涉及二进制二维码图像的具体案例，其中标准的误差度量指标得出的胜出者与结构相似性度量指标的结果不同，这表明“最佳”方法取决于你如何评判结果。然而，核心发现依然稳健：通过仔细匹配在不同图像尺度间移动信息的方式与用于压缩这些尺度的数学工具，实现比以往更快地恢复清晰图像是完全可能的。这项工作为需要从模糊数据中恢复细节的工程师和科学家提供了一条清晰的路线图，表明效率的关键不仅在于拥有强大的求解器，还在于知道如何在正确的时间向其喂入正确的信息。