1. 研究目標與實際問題意義

1.1 研究目標

論文旨在解決局部運動模糊（Local Motion Blur） 問題，即圖像中僅部分區域因物體快速運動而產生的模糊。傳統去模糊方法主要針對全局模糊（如相機抖動），但局部模糊因目標位置隨機、模糊程度未知且占比小，成為現有技術的短板。

1.2 實際問題

• 數據缺失：缺乏真實局部模糊數據集，現有數據集多以合成或全局模糊為主。
• 算法局限：全局去模糊網絡在局部模糊任務中表現不佳，易在清晰背景區域引入偽影。
• 數據不平衡：模糊區域通常僅占圖像的11.75%，導致模型忽視模糊區域。

1.3 產業意義

• 安防監控：提升運動目標（如行人、車輛）的清晰度。
• 自動駕駛：增強動態障礙物識別能力。
• 影視制作：修復運動物體的局部模糊，提升畫面質量。

---

2. 創新方法：LBAG模型與關鍵技術

2.1 整體架構設計

圖4：LBAG網絡架構

SCM提取淺層細節，AFF融合多尺度特征，門控塊實現區域聚焦。

論文提出 LBAG（Local Blur-Aware Gated Network），其核心架構基于多尺度UNet（MIMO-UNet）并引入局部模糊感知模塊。網絡流程如下：

1. 輸入：多尺度局部模糊圖像（縮放因子0.5, 1.0, 2.0）。
2. 編碼器-解碼器結構：
   • 3個收縮層（下采樣）提取多尺度特征。
   • 3個擴張層（上采樣）恢復空間分辨率。
   • 集成淺層卷積模塊（SCM） 和非對稱特征融合模塊（AFF） 增強特征傳遞。
3. 門控塊（Gate Block）：位于每個擴張層末端，實現模糊區域定位與內容重建的解耦。

“The gate block divides an input 4-channel feature map into a 3-channel latent and a 1-channel latent. The 1-channel latent passes through a sigmoid layer, forming a pixel-level local blur mask prediction.”

2.2 關鍵技術細節

2.2.1 真實模糊掩碼生成（LBFMG）

方法：基于高斯混合模型（GMM） 的背景減除法生成真實模糊掩碼（GT Mask）：

1. 輸入當前模糊圖像 $B_T$ 和同場景其他清晰/模糊圖像。
2. 通過GMM更新背景模型，輸出 $B_T$ 的前景掩碼作為GT Mask。
   優勢：避免手動標注，適應復雜場景（如運動物體與靜態背景粘連）。

2.2.2 門控塊（Gate Block）

圖5：門控塊操作流程

輸入特征拆分為內容與掩碼分支，通過Sigmoid生成軟掩碼加權輸出。

結構（圖5）：

1. 輸入特征圖 $F\in {\mathbb{R}}^{H\times W\times 4}$ 拆分為：
   • 內容特征 $F_c\in {\mathbb{R}}^{H\times W\times 3}$
   • 掩碼特征 $F_m\in {\mathbb{R}}^{H\times W\times 1}$
2. 掩碼預測：
   $$\hat{m}=\sigma (F_m),\text{其中}\sigma \text{為Sigmoid函數}$$
   $\hat{m}(x,y)\in [0,1]$ 表示像素 $(x$