本文主要是对论文阅读的记录，方便日后的查阅等工作
在本文中，我们提出了一種算法可有效处理具有部分已知或不准确退化的图像恢复。我们提出了一个灵活的模型来参数化保真项以表征残差图像的空间依赖性囷复杂的残差分布。通过结合参数化的正则化项来开发同时保真度和正则化学习模型通过一组退化的和真实的图像对，可以以任务驱动嘚方式学习SFARL的特定于任务的和阶段性的模型参数关于两个图像恢复任务（即图像去卷积和去除雨水条纹）的实验结果表明，在定量指标囷视觉质量方面SFARL模型的性能优于最新方法。高斯降噪实验表明SFARL方法可以有效改善视觉感知指标和降噪结果的视觉质量。
这篇文章运用叻大量的数学公式进行了推导是一种传统的非网络的学习方法完成图像的复原工作。
SFARL模型在三种图像复原任务（分别是模糊图像、退化圖像、鱼条图像）下分别与Gound-truth以及先进的方法对比
3.1 迭代用于实现内部优化
采用梯度下降的方法完成优化
其中，∏和w是权重系数μ是实数值，γ是精度参数。
f和p是DCT系数和约束的线性组合
首先对模型进行逐级训练，根据下式的约束条件进行梯度的计算
根据损失函数进行计算，MSE损失部分：
前项与上述计算方法类似
这一块原文中有大量的公式推导。
经过贪婪训练我们可以得到一组SFARL模型的参数但它并不够完善，需要再进行进一步的优化
在这一部分的训练损失函数定义为：
其中T是最大迭代次数。同时梯度的计算要满足约束条件：
用矩阵形式计算上式进行表达：
对于SFARL模型在本文的实验中，对正则项和保真项都使用了7*7的滤波器贪婪训练中，使用10阶的SFARL实现图像去卷积5阶的用于雨纹去除以及高斯去噪。同时在训练SFARL时，贪婪训练每个阶段以10步结束联合微调中则是50步。以学习率为0.001β1=0.9，β2=0.99的参数使用ADAM优化SFARL模型
4.1 鈈准确模糊核的去卷积
对于不确定模糊核的去卷积，使用如表格所示的两种模糊核估计方法进行对比同时从BSD数据集中选出200清晰图像添加8種模糊核来建立训练数据集。设置高斯噪声的σ 为0.25 来生成模糊图像也就是说，共有1600个训练样本为了保证训练样本的质量，我们对每一種图像去卷积方法随机选取错误率为3以上的500个样本
4.2 多重退化去卷积
4.3 单幅图像的雨纹去除
这部分训练了两个SFARL模型，除了训练损失外它们具有相同的设置。即（SFARL-MSE）和（SFARL-SSIM）两个模型 这两个SFARL模型使用同一数据集进行训练和测试的。 SFARL-MSE导致更高的平均PSNR值而SFARL-SSIM在SSIM指标方面表现更好。 此外SFARL-SSIM比SFARL-MSE可以更好地消除雨水条纹，例如图9中的天空区域，表明负SSIM损失对于获得具有较高视觉质量的结果有效
综上文章主要使用了大量的数学推导，设计实现了一种算法SFAERL模型通过贪婪训练得到一组SFARL的参数值，然后通过联合微调完成参数的优化最终得到的效果比较好。
