불명확한 커널이 알려지지 않은 상황에서 흐릿한 이미지를 이용하여 선명한 이미지를 복원하는 문제를 이미지 블라인드 디컨볼루션 문제라고 하며, 이는 운동 역 문제 중 부족한 문제이다. 기존 대부분의 알고리즘은 흐림 커널과 선명한 이미지에 대한 사전 지식을 도입하여 문제의 해 탐색 공간을 제약한다. 본 논문에서는 다중 스케일 사전 학습 기반 이미지 블라인드 디컨볼루션 알고리즘을 제안하며, 다운샘플링 이미지를 사용하여 희소 표현 사전을 훈련하고, 해당 사전에서 이미지 텍스처 영역의 희소 표현을 블라인드 디컨볼루션 목표 함수에 정규화 제약 조건으로 도입한다. 이미지 다운샘플링 과정은 이미지의 흐릿함 정도를 감소시키고, 이미지 내에 중복된 스케일 간 유사 블록이 존재한다. 더 선명한 이미지 블록으로 사전을 훈련하면 선명한 이미지를 더 잘 희소 표현할 수 있으며, 희소 표현 오류가 감소한다. 또한 텍스처 영역에서 선명한 이미지의 희소 표현 오류가 흐릿한 이미지보다 작기 때문에, 해당 사전에서 이미지의 텍스처 블록을 희소 표현함으로써 재구성된 이미지가 선명한 이미지에 가까워진다. 본 논문의 알고리즘은 Kohler 데이터셋에서 복원 결과의 평균 최고 신호 대 잡음비가 29.54 dB임을 보였다. 다수의 흐릿한 이미지 실험을 통해 본 알고리즘이 큰 크기의 흐림 커널 복원 문제를 효과적으로 해결하며 견고성이 우수함을 검증하였다.

블라인드 디컨볼루션; 희소 표현; 사전 학습; 다중 스케일; 자기 유사성