本文专注于现实交通监管系统中嘚模糊图像第一次证明了神经网络效果浩宇传统的盲解卷积方法。

训练数据通过一个对期望模糊核的进行粗略接近的系统产生产生的這些训练数据用于cnns训练不同应用。

传统的图像解卷积基于一种简单的数学模型通过迭代优化将模糊的过程反转。

4、用卷积方法进行图像模糊很简单但是用于去模糊比较困难，即使知道了模糊卷积时的卷积核也一样

上面的式子是个模糊卷积的过程，而盲解卷积就是上述過程的反过程其中x是清晰图像，g是模糊核n是额外的噪声。

当前的盲解卷方法就是选择一个合适的数据先验将其转换成优化问题中的規则化矩阵，通过交替估计模糊核与潜在的图像解决这个优化问题

本文的网络为15层，足够用于文本去模糊了

本文这个网络只有卷积层囷ReLU层，包含2.2M参数网络结构如下：

运动去模糊CNN的数学模型

给出了CNN-L15网络的输入和输出的大小，输入为66x66的模糊patch而输出为16x16的清晰patch

所有的图片从使用两个摄像机的交管系统获得，监管路段限速90 kmph第一个摄像头摄像角度为37-57之间，第二个大概59-79之间