数字图像一直在信息的传递过程中扮演着重要的角色。如今多媒体信息爆炸的时代充斥了图像和视频等数字信息,同时也存在着包含大量模糊人脸图像的问题。无论是人们日常分享生活、传递信息还是在科研领域中如智能安防、目标或人脸检测或者自动驾驶等计算机视觉任务都需要依托大量清晰的图像,因此将模糊图像重新变得清晰是一个急切且广泛的需求。在图像处理领域中,将图像的模糊主要分为了高斯、散焦、运动、衍射等类型,其中由运动所造成的模糊是最为常见也是最难处理的。尽管目前在传统图像处理领域和深度学习新领域都针对图像去除运动模糊进行了一些研究,但现有的方法都因为前提假设过多,适用场景存在限制和去模糊效果不理想而无法被广泛接受和应用。为此本文在无任何模糊核信息的前提下,以人脸图像去除由运动所造成的模糊为研究对象,详细分析了图像运动模糊的成因与图像退化原理,在充分研究前人既往成果的基础上,提出了本文基于深度学习端到端方式的人脸图像盲去运动模糊算法。本文算法的核心是通过深度学习中对抗式学习的思想,以模糊人脸图像为输入,结合部分人脸先验,经大量数据学习下得到的算法模型处理后直接重建出清晰图像。本文工作的主要内容包括:1.提出了一种全新的用于人脸图像盲去运动模糊的算法。算法结合监督式学习的思路,将生成式对抗网络模型进行改造,通过输入单幅模糊的图像,直接输出清晰的人脸图像。该算法网络框架将改进后的残差网络和级联化的稠密U-Net网络进行连接,完成人脸定位、图像分割以及去模糊任务,其中改进的残差网络主要负责人脸内容的恢复,级联化的稠密U-Net负责人脸定位和图像分割。同时这样的组合设计可以提升网络稳定性,解决梯度消失/爆炸问题和多样性问题,更好地适应高分辨率、高清晰度人脸图像的处理任务。除此之外,算法借鉴了传统图像领域的处理方式,将图像盲去运动模糊主任务细分为人脸结构定位、特征提取、边缘检测、图像去模糊等,并利用具有不同功能的神经网络分别有针对性地处理各项子任务,以多功能网络模型组合方式代替传统的单一式网络。在网络的连接方面也采用了级联、并联等多种方式,保证了网络参数的拟合能力,提升了网络的去模糊能力和适用性。2.提出了一种全新的以损失函数为中心的深度学习网络训练方式,即在网络训练过程中的不同阶段采用不同损失函数来引导训练的策略,并将之命名为“分阶化的损失函数”。在本文中提出了一种多阶段、多分量的损失函数设计思路。多阶段指本文将网络的训练进行进度分解,通过不同衡量粒度下设计的损失函数,保证网络在训练前期能够快速收敛,在训练后期能够精细微调,从而使网络生成结果达到实验期望;多分量体现在损失函数由多个部分组成,包含了引导博弈进程的对抗损失函数部分,规范图像内容恢复的内容损失函数部分和进行图像结构精准定位的定位损失函数部分。这样的设计可以高效获取图像特征和场景下的图像语义信息,达到更好的图像恢复效果。本文中使用了不同的人脸先验来指导人脸图像去除运动模糊。3.自建了一个用于图像盲去运动模糊任务的人脸数据集。优秀数据集匮乏一直是图像去模糊研究领域一个棘手的问题,极大地制约着该领域的发展。为了能够有效解决人脸模糊问题,本文筛选清洗了优秀开源人脸图像数据集,获得了清晰人脸图像并通过算法模拟运动的方式生成模糊人脸图像,组成了包含近6000组清晰-模糊人脸图像对的数据集来解决缺乏人脸数据集的问题。同时,本文也使用了该领域其他研究中常用的一些数据集进行了广泛的实验以及定性和定量的分析、对比,以验证本文提出算法的有效性。本文建立了包含峰值信噪比、结构相似度等客观衡量标准,绝对图像视觉质量、相对图像视觉质量等主观评价准则以及其他计算机视觉任务间接指标在内的评价体系,并在自建数据集和其他公开数据集上进行了广泛实验。实验结果表明,本文提出的算法可以高效地处理图像去模糊中的各项子任务,精准地定位图像结构并重建出高质量的清晰图像。同时,通过不同的评价指标,本文实验在与该领域其他优秀方法的对比实验中均取得了优秀的成绩,证实了本文提出算法的有效性。