图像盲复原,即在点扩散函数未知的情况下,从已知的质量退化的图像中恢复潜在的清晰图像,属于图像去模糊的一个重要研究方向。目前,传统的图像盲复原算法需要进行复杂的迭代计算过程,且恢复图像质量较低。为了提高图像盲复原方法的性能,该文应用多尺度卷积神经网络来对该问题展开研究,具体研究内容如下:首先,该文从扩大感受野的角度出发,提出基于扩张卷积的多尺度图像去模糊方法。该方法设计了带有不同扩张因子的小卷积模块,来增大感受野并提取不同尺度的特征信息。该网络利用大量的训练数据学习模糊图像到清晰图像之间的映射。实验结果表明该方法获得的结果具有更高的图像清晰度。其次,为了进一步提高性能,该文提出一种基于全变差(Total Variation,TV)损失的多尺度图像去模糊方法,该方法利用初期残差(Residual Inception Net,Inception-ResNet)模块和残差网络构建网络,利用梯度信息计算损失函数。网络输入具有三个尺度,损失函数和网络结构均使用多尺度结构,以便更好地传递图像信息。实验结果表明该方法可以明显地提高图像质量。最后,为了获得更逼真的细节信息,该文提出了基于生成对抗网络的图像去模糊方法。其中利用Inception-ResNet模块、注意力机制模块、上采样和下采样设计了三种生成器网络结构。该文三种方法在具有复杂运动的大规模去模糊公共数据集上进行评估。实验结果表明该文方法在视觉和峰值信噪比度量上都具有较好的性能,而且在实际模糊图像去模糊上具有较好的视觉效果。