早期的基于卷积神经网络的图像去模糊方法借助外部训练数据，用一组可学习的参数替代传统框架中的一些模块或步骤。更近期的工作则开始使用端到端的可训练网络来进行图像和视频去模糊。其中，使用一种多尺度卷积神经网络（CNN）达到了当前最佳水平。他们的方法从非常小尺度的模糊图像开始，然后逐渐恢复更高分辨率的清晰图像，直到达到完整分辨率。这一框架遵循传统方法中的多尺度机制。多尺度迭代网络（SRN：scale-recurrent network）讨论和解决了基于 CNN 的去模糊系统中两个重要的一般性问题。
在现有的多尺度方法中，求解器及其每个尺度的参数通常是一样的。直观上看，这是一种自然的选择，因为在每个尺度上，我们的目标都是求解同样的问题。还可以发现，每个尺度上使用不同的参数可能会引入不稳定性并带来非限制性解空间的额外问题。另一个问题是输入图像可能会有不同的分辨率和运动尺度。如果允许每个尺度上都进行参数调节，那么这个解可能会在特定图像分辨率或运动尺度上过拟合。在本研究中，提出在不同尺度上共享网络权重，从而显著降低训练复杂度以及引入明显的稳定性优势。
这种做法有两种好处。首先，这能显著减少可训练参数的数量。即使用同样数目的训练数据，在共享权重的循环利用下的效果也像是有多倍数据来学习参数，这实际上相当于在尺度上进行的数据增强。其次，我们提出的结构可以利用到循环模块，其状态传递能隐含地获取各个尺度上的有用信息并帮助图像恢复。 |