机心卷 · 世界补丁日志

Severity-Channel Conditioning: An Injection-Level Study for Consumer-Device Deblurring

2026-10-17 AI 辅助 · 人工审校 编号 cand-df72bfa83cec

1. 一句话总结 该论文在统一微调预算下比较严重度信息在手机运动去模糊模型中的不同注入方式,发现仅“输入通道拼接”在目标图辅助的 oracle 条件下将整体 PSNR 从 31.…

标题

手机去模糊,告知模糊程度只提升0.07分贝

📸 手持走动或按下快门时,相机会把光拖成一段,照片就可能发糊。这篇论文没有只比较谁修得更清晰,而是在问:同一个去模糊模型,该在什么位置接收“这次糊到什么程度”的提示?

🧪 作者把模糊程度做成单独一条通道,再比较四种接法:直接拼到输入、调节整体或局部特征,或放进训练目标。控制相同训练成本后,只有直接拼接输入的方案略高于基线,整体 PSNR 从31.23升到31.30 dB,仅增加0.07 dB。PSNR越高,通常表示越接近原图,但这点差距很难被肉眼感知。

🔍 把这条通道清零后,大部分增益仍然保留,结构相似度指标 SSIM 却低于基线。这说明模型可能没有真正理解“糊的程度”,这条通道也可能只是在提供额外图像提示或参数调节信号。

💡 对普通人的意义很明确:手机“一键去糊”的关键,不是多塞一个模糊标签,而是在没有原图参考时,先判断照片糊不糊、糊在哪里。论文中的提示依赖模糊照片与清晰参考图配对,真实拍照时并没有这张参考图;部署前还要换成实时估计,并控制延迟和耗电。

🤔 如果照片已经糊了,你更在意细节更清晰,还是整体观感更自然?

标签

#手机摄影 #图像修复 #去模糊 #扩散模型 #计算机视觉 #AI修图 #手机插件 #相机原理 #人工智能

原文来源

边界声明 · 这项研究不能证明什么

本文为一手来源的中文编辑导读,结论的适用范围与证据强度以来源原文为准;不构成医疗、投资或其他决策建议。

AIGC 内容说明

本文由 AI 辅助起草,经今山海编辑部人工核对事实、来源与边界后发布。修订与更正将在本页留痕。