ぼやけたカーネルが不明な場合にぼやけた画像を利用して鮮明な画像を復元する問題は、画像のブラインドデコンボリューション問題と呼ばれ、これは未定の逆問題である。既存のほとんどのアルゴリズムは、ぼやけたカーネルと鮮明な画像の事前知識を導入することで問題の解空間を制約している。本論文では、マルチスケール辞書学習に基づく画像のブラインドデコンボリューションアルゴリズムを提案し、ダウンサンプリング画像で希薄表現の辞書を訓練し、この辞書下における画像のテクスチャ領域の希薄表現を、ブラインドデコンボリューションの目的関数に正則化制約として導入する。画像のダウンサンプリング過程は、画像のぼやけ度を弱め、画像中には冗長なマルチスケール類似ブロックが存在する。より鮮明な画像ブロックで辞書を訓練することにより、鮮明な画像をより良く希薄表現でき、希薄表現誤差を減少させる。同時に、テクスチャ領域における鮮明画像の希薄表現誤差はぼやけ画像のそれより小さいため、この辞書で画像中のテクスチャブロックを希薄表現することで、再構成画像が鮮明な画像に寄る。提案アルゴリズムは Kohler データセットにおける復元結果の平均ピーク信号対雑音比が 29.54 dB であった。多くのぼやけ画像に対する実験により、本アルゴリズムが大きなぼやけカーネルの復元を効果的に解決し、良好なロバスト性を有することを検証した。

ブラインドデコンボリューション;希薄表現;辞書学習;マルチスケール;自己類似性