北航新闻网6月4日电（通讯员 周玉林）深度展开方法（DeepUnfolding, DU）是图像复原领域兼具理论深度与实践价值的网络设计范式，通过将数学优化算法的迭代求解映射为可学习的网络结构，在网络中充分融入模型先验，显著增强网络推理的可解释性和网络学习的鲁棒性。然而，传统深度展开网络多基于一阶优化算法设计，存在收敛速度慢、求解精度低等缺陷，极大制约了深度展开网络的运行效率与图像复原性能。

近日，北京航空航天大学电子信息工程学院徐迈教授、邓欣副教授，联合国防科技大学夏靖远副教授，提出了一种基于半光滑牛顿算法的二阶深度展开网络，显著提升了盲图像复原精度和鲁棒性。该研究填补了二阶深度展开网络的研究空白，为基于深度展开的可解释图像智能处理提供了新思路。研究成果以“DeepSN-Net: Deep Semi-Smooth Newton DrivenNetwork for Blind Image Restoration”为题发表于IEEETransactions on Pattern Analysis and Machine Intelligence期刊。该工作得到了国家自然科学基金（项目编号：62372024和62231002）资助。

研究团队突破传统半光滑牛顿算法的非线性耦合系统求解难题，将其转化为适合网络求解的凸优化问题，并将其展开为深度网络，在保证网络结构可解释的同时，在图像去雨、去噪、去模糊等多项盲图像复原任务中取得了显著的性能优势。与同期先进算法相比，图像复原峰值信噪比PSNR提升0.6dB，网络复杂度降低91%。

基于半光滑牛顿算法的二阶深度展开网络结构图

未来研究可扩展至多模态图像复原领域，在模型构建方面，探索图像跨模态关联机制，提升多模态建模的准确性，以适宜更复杂的应用场景；在网络设计方面，可探索更加高性能与轻量的网络模块，为遥感图像复原、医疗影像增强等多模态图像处理任务提供有力的技术支持。

文章链接：https://ieeexplore.ieee.org/abstract/document/10820096

（审核：戴飞）

编辑：贾爱平