1. 論文的研究目標與實際問題意義

1.1 研究目標

論文的核心目標是解決盲去模糊（Blind Deblurring）中因異常值（Outliers）（如飽和像素、非高斯噪聲等）導致的模糊核（Blur Kernel）估計不準確的問題。傳統方法基于線性卷積模型（公式1），但實際圖像中因傳感器動態范圍限制或噪聲干擾，線性模型失效。作者提出一種魯棒核估計方法，通過選擇可靠邊緣并去除異常值，提升模糊核估計的準確性。

1.2 實際問題與產業意義

實際問題：在真實場景中，模糊圖像常包含飽和區域（如強光源）、非高斯噪聲（如脈沖噪聲），這些異常值破壞線性模型假設，導致現有盲去模糊方法（如[3, 17, 36]）傾向于估計Delta核（近似單位脈沖響應），無法恢復真實模糊核。

產業意義：該問題在攝影、監控、醫學成像等領域廣泛存在。例如，低光條件下的照片易出現光暈和飽和，監控視頻中的運動模糊常伴隨噪聲。魯棒的盲去模糊技術可提升圖像質量，推動自動化圖像修復、自動駕駛視覺感知等應用。

---

2. 論文的創新方法、模型與優勢

2.1 核心思路

論文的核心創新在于通過可靠邊緣選擇和異常值去除策略，解決傳統盲去模糊方法在異常值（如飽和像素、非高斯噪聲）干擾下核估計退化為Delta核的問題。具體分兩階段：

1. 魯棒核估計：從中間潛像中提取可靠邊緣（避免異常像素干擾），通過Sigmoid掩膜檢測異常區域，并結合模糊核的幾何特性修正邊緣選擇（公式12）。
2. 異常感知圖像恢復：設計非線性函數 $\rho (x^2)$（公式14），在非異常區域近似L2損失，在異常區域平滑化噪聲，提升最終圖像質量。

2.2 關鍵公式與技術細節

2.2.1 非線性模糊模型與能量函數

傳統線性模型（公式1）：
$$B=I?k+e$$
改進非線性模型（公式2）：
$$B=f(I?k)+e$$
其中，$f(?)$ 為非線性截斷函數，描述飽和像素的動態范圍限制。

聯合優化能量函數（公式3）：
$$\underset{I,k}{\min }\Vert B?f(I?k){\Vert }_1+{\lambda }_c{E}_I(I)+\gamma E_k(k)$$

• L1范數（$\Vert ?{\Vert }_1$）用于抑制非高斯噪聲；
• 超拉普拉斯先驗（Hyper-Laplacian Prior）約束潛像的稀疏梯度：
  $$E_I(I)=\sum _x\left(|{?}_x{I}_x{|}^{0.8}+|{?}_y{I}_x{|}^{0.8}\right)$$

2.2.2 中間潛像更新與IRLS

中間潛像優化公式（公式5）：
$$\underset{I}{\min }\sum _x\left|(I?k?B{)}_x\right|+{\lambda }_c(|{?}_x{I}_x{|}^{0.8}+|{?}_y{I}_x$$