图像在拍摄过程中可能受到多种因素影响导致模糊不清,而图像的清晰度是人们评价图像的重要前提,因此图像去模糊也是一个重要的研究课题。传统图像去模糊方法首要任务是图像模糊核的估计,但因自然图像模糊类型很多,对模糊核的估计造成很大困难,影响去模糊效果。因此本文采用端到端的思想,利用双鉴别器的条件生成对抗网络来提升模糊图像的清晰度。主要研究工作总结如下:(1)原始生成对抗网络的结构由一个生成器和一个鉴别器构成。生成器捕捉真实数据样本的潜在分布,并生成新的数据样本,以欺骗鉴别器为目的;鉴别器是一个二分类器,通过分析图像中的各个像素,鉴别所输入图像来自真实数据的样本分布还是来自生成器生成的数据样本分布。(2)本文以原始生成对抗网络的思想为基础,采用双鉴别器的设计,生成器与两个鉴别器的网络结构分别构建,并给予两个鉴别器不同的损失计算方法,因此两个鉴别器具有不同的优化目标。第一个鉴别器更侧重于真实的数据样本分布,若样本来自真实分布则给与该鉴别器较高的“奖励”,第二个鉴别器更侧重于生成器生成的数据样本分布,若样本来自生成的分布则给与该鉴别器较高的“奖励”。在网络学习的过程中,两个鉴别器同时与生成器做对抗训练,生成器所生成的数据样本要同时欺骗两个鉴别器,对于其生成的样本质量要求更高。该方法在改善图像清晰度的同时,也可一定程度上提升网络模型的泛化性能。(3)网络模型构建完成后,将对其进行训练,在训练的过程中根据具体情况适时调整相关参数、网络结构以及优化器类型,然后重新训练,以达到改进训练效果的目的。(4)模型训练收敛后对其去模糊效果进行测试,并与类似方法的去模糊效果做了对比分析。测试时除了对测试集中数据样本的测试,还加入了对实际拍摄图像以及网络搜索图像的测试。测试结果表明,本文方法与类似方法的去模糊效果相比,无论从客观评价法中PSNR及SSIM的测试数据还是从主观层面来看,本文所用方法的效果相对来说都更好,证实了本文所用方法的可行性。