为加强研究生学术交流活动，推进学术创新，特开通“研究生学术报告预告区”。我校研究生和教师可以在预告区及时发布和了解有关研究生学术报告的信息，届时参加。也可就某学术报告展开专题讨论与交流。
图像的盲去模糊是一个典型的非适定问题，通常有两种方案进行求解。一种是基于模型的去模糊方法，最常用的是全变差(TV)正则化图象复原模型，但该模型细节恢复能力有限、对噪声敏感以及平坦区域阶梯效应明显，针对上述问题，本报告提出一种自适应加权广义总变差(Total Generalized Variation：TGV)去模糊算法，该算法能够有效逼近任意阶多项式函数，在去模糊的同时避免阶梯效应，再根据图像局部结构自适应调节权值，有效保持图像边缘。另一种是基于判别学习的方法，这类方法的优点在于能够快速而有效的实现图像复原，但缺点是基于判别学习的方法适用范围窄，仅适用某类特殊的场景，例如，适用于去噪的CNN难以处理带噪声的模糊图像。针对这一问题，本课题受变量分离思想的启发，将深度CNN去噪先验融入到去模糊模型之中，利用去噪卷积神经网络求解去噪子问题，把模型方法使用灵活的优势与判别学习方法复原高效的优势进行有机结合，提出基于深度CNN去噪先验和自适应加权TGV盲去模糊模型；为了能够高效的求解该模型，本报告基于原始-对偶思想和半二次分离法，提出新的求解算法，该求解方法具有收敛速度快，鲁棒性强的优势