← 返回 PaperDaily
视觉与图像
告别一键硬修！SuperSharpen把盲去模糊变成“手动挡”，细节更真实
这篇工作把扩散模型去模糊从“一键生成”变成了“手动调档”，引入了类似音量旋钮的模糊度量（BM），让用户自己决定要锐化多少、生成多少细节。还实打实对比了ControlNet适配和全量微调两条路线，结论清晰，落地感强，值得做图像恢复和摄影后处理的朋友读一读。
龙哥读论文
发布于 2026-08-27 00:20:19
阅读 4
查看原文
原论文信息如下：
拍过照片的朋友都有过这种经历：明明对焦对得很认真，快门按下去之后放大一看，画面还是有点“肉”，像隔着一层磨砂玻璃。尤其是光线不足、快门速度偏慢的时候，镜头轻微失焦、机身抖动、RAW降噪算法对细节的揉搓，都会让一张本来很好的照片变得松垮、模糊、缺乏质感。传统去模糊方法要么假设已知模糊核，要么一步到位端到端硬修，但效果往往顾此失彼：修得太猛了，纹理全是编出来的；修得太轻了，又像没修一样。更气人的是，绝大多数生成式修复模型都像一个固执的自动挡司机——你只能接受它给出的结果，没法告诉它“这次多用点力”或者“这次保守一点”。
本文提出的SuperSharpen（SupS）就是来解决这个“手动挡”问题的。它基于隐扩散模型做盲去模糊，核心创新在于引入了一个叫模糊度量（Blur Measure，简称BM） 模糊照片的克星：SuperSharpen如何实现可控去模糊？
你有没有过这种时刻：兴冲冲地翻出相机，对焦、构图、按下快门，一气呵成，回家把照片拖进电脑，放大一看——完了，画面怎么这么“肉”？就像隔着一层毛玻璃，纹理糊成一团，锐度全无。镜头失焦、机震、慢快门、低光环境下的长曝光，甚至RAW文件降噪算法对高频细节的“温柔揉搓”，都可能成为画质杀手。更让人头大的是，传统去模糊路线还分两派：一派是“已知模糊核，照方抓药”的非盲去模糊，另一派是“啥都不知道，眯着眼睛盲猜”的盲去模糊。前者在实际场景里基本指望不上，因为模糊核哪能那么容易测出来；后者呢，端到端模型倒是简单粗暴，但修出来的图常常又软又平，像是把一堆可能答案做了个平均，细节全丢了。
生成式模型出来以后，大家发现这事儿有救了——扩散模型这类生成式先验，能根据低质量输入“脑补”出真实感细节。但新的问题又来了：几乎所有基于扩散模型的修复方法都是一键生成，用户根本没得选。生成的细节太跳脱？那就忍一忍吧；修得不够狠？也没有办法再拉一把。就像一台固执的自动挡汽车，你只能接受它给的档位，不能自己控制力度。
DxO Labs（法国知名影像处理厂商）联合Télécom Paris的团队，这次带来的SuperSharpen（SupS） 模糊度量（Blur Measure，简称BM）
更难得的是，论文没有停留在“我提出了一个可调参的扩散修复模型”这句话上，而是老老实实把两条主流技术路线拉出来同台竞技：一条是时下最火的ControlNet适配器方案（SupS-CN），另一条是直接把整个扩散模型去噪器做全量微调的方案（SupS-FT）。训练、评测、定性比对一个不少，结论也相当干脆——全量微调在保真度上更胜一筹，编造出来的不自然纹理更少。这种“不绕弯子、直接对比”的做法，对做图像恢复和摄影后处理的朋友来说，阅读体验非常舒爽。
扩散模型遇上盲去模糊：两种条件化策略的较量
先花三十秒把扩散模型的基本功捋一捋。无论是最早的DDPM（Denoising Diffusion Probabilistic Models，去噪扩散概率模型），还是后来大放异彩的潜在扩散模型（Latent Diffusion Model，LDM），核心套路都一样：前向过程不断往干净图像上加噪声，直到它变成一坨纯高斯噪声；反向过程则训练一个神经网络，让它学会从噪声里一步步把原图“捞”回来。SuperSharpen的基础骨架选择了Stable Diffusion 2.1，这是一个典型的潜在扩散模型，先用一个变分自编码器（VAE）把图像压缩到低维潜在空间，再在潜在空间里做前向加噪、反向去噪，计算效率比直接在像素域操作高出一大截。
标准的无条件扩散模型，训练目标就是让网络预测加进去的噪声。用到的损失函数长这样：
公式1：无条件扩散模型的噪声预测损失。其中 z₀ 是干净图像的潜在编码，εₜ 是 t 时刻添加的高斯噪声，ε_θ(zₜ, t) 是网络对噪声的预测。
但是盲去模糊是条件生成啊——不能让模型自由发挥，得让它看着低质量图像来去噪。于是论文把低质量图像的潜在编码 z_LQ 也塞进网络，训练目标就变成了下面这样：
公式2：条件扩散模型的噪声预测损失。相比公式1，网络额外接收低质量图像的潜在表示 z_LQ 作为输入，相当于给生成过程装上了一双“盯着模糊图”的眼睛。
同样是把 z_LQ 作为条件，怎么“喂”给模型，却是两条路线之争。
第一条路线，SupS-CN
第二条路线，SupS-FT
图1：训练与推理设置。(a) SupS-CN的ControlNet条件化训练：只有适配器（橙色）可训练，扩散主干（蓝色）冻结；(b) SupS-FT的全量微调训练：整个扩散去噪器（绿色）都参与训练；(c) SupS-FT的推理流程：由用户给定模糊度量BM，迭代去噪生成高质量图像。两种设置下，VAE编码器E始终冻结。
训练时，z_LQ和zₜ拼接后送进网络，模型在每一步去噪时都能直接“看到”低质量图像的信息；推理时也一样，低质量潜码会在每个反向采样步骤反复注入。这种“持续监督”机制，是让生成结果不跑偏的关键。
那两条路线到底谁更强？论文的实验结论相当直接：SupS-FT在感知质量上全面占优，尤其是LPIPS指标大幅领先，而且生成的高频纹理更贴近真实图像结构，不像SupS-CN那样偶尔会“脑补”出一些看起来挺锐但实际站不住脚的假细节。原因也很好理解：ControlNet适配器毕竟只是“挂”在冻结先验上，条件信号得借道而行，经过一层层残差注入，控制力会被稀释；全量微调则让整个先验都朝着“看见模糊图、输出清晰图”的方向重塑，条件与生成之间的耦合自然更深。
模糊度量：让用户掌控恢复强度的秘密武器
把低质量图像作为条件输入，只是解决了“怎么把模糊图送进扩散模型”的问题。SuperSharpen真正的点睛之笔，是那个让用户手动控制恢复强度的模糊度量（BM）
但这里的BM并不是一个简单的图像模糊程度评分，它有一个非常讲究的计算过程。论文采用的训练数据退化管道继承自Real-ESRGAN——包括各向同性/非各向同性模糊、缩放、加噪、JPEG压缩等多种退化混合。这种复合退化本身就很难用单一标量描述。作者想了个聪明的办法：把整个退化管道看成一个黑箱算子 A，在里面输入一堆脉冲信号，测量它的平均脉冲响应，再用一个各向同性高斯核去拟合这个响应。拟合出来的高斯核标准差σ，就是这次退化对应的模糊度量BM。整个过程如图2所示。
图2：模糊度量BM的计算流程。在退化管道中注入多个脉冲信号，测量其平均脉冲响应，再用各向同性高斯核拟合，最终把高斯核的标准差作为BM值。
公式3：模糊度量BM的估计。给定退化管道的平均脉冲响应 h，在 [σ_min, σ_max] 区间内搜索一个各向同性高斯核 g_σ，使得它与 h 的均方误差（MSE）最小。搜索区间设置为 [0.1, 10.0]。
数学上不复杂，但设计心思很巧妙：退化管道明明包含各种复杂的混合退化，BM却用一个“等效高斯模糊程度”把它们压成一个标量，在训练时让模型知道“这次退化大概有多狠”。到了推理阶段，BM更是完全解放了——它不再需要匹配真实物理模糊，而是变成一个纯用户旋钮。想要输出更锐利、更多高频细节，就把BM调大；想尽量贴近原图、少生成额外内容，就把BM调小。图5非常直观地展示了这个旋钮的效果。
图5：真实图像上不同模糊度量BM值的定性结果。BM值越大，去模糊力度越强，纹理细节越丰富；BM值越小，输出越接近原始输入。可以看到，BM=8.0时画面明显更锐利，而BM=0.7时几乎接近原图。
这里还藏了一个数据增强的小细节：为了让模型在不同BM条件下都能输出合理结果，训练时先把高清图做一次随机高斯模糊增强，再走退化管道。训练前期所有样本都做这个增强，后期只对10%的样本做，逼迫模型既学会“去模糊”也学会“保持原样”。这个“脚踏两只船”的训练策略，正是可控性的根基。
实验结果：合成与真实世界的双重验证
说了这么多，效果到底怎么样？论文的实验设计走的是“合成数据定量 + 真实数据定性”双轨制。
训练阶段，作者选用了大规模图像恢复数据集LSDIR，用Real-ESRGAN风格的退化管道合成低质量图。但注意，SuperSharpen的目标是轻度模糊、同分辨率修复，所以作者把退化参数整体调温和了，scale factor也设为1。模型用AdamW优化器，在4张H100 GPU上训了13天：SupS-CN训27万步，SupS-FT训38万步，batch size为24，输入裁剪512×512，学习率从10⁻⁴衰减到10⁻⁵。
合成测试用的数据集是Urban100，退化方式为各向同性高斯模糊（标准差在0.7到7.5之间）+轻度高斯噪声（标准差0到7）。对比方法挑的都是生成式修复赛道的当红选手：DiffBIR、PASD、SeeSR、ResShift。这几位虽然主打超分辨率，但scale factor设为1时也能用于去模糊。定量指标既有全参考指标（PSNR、SSIM、LPIPS），也有无参考指标（MUSIQ、MANIQA、CLIP-IQA）。
表1给出了完整的定量结果。信息量很大，值得逐行品一品。
表1：Urban100合成退化图像的定量比较。加粗为最优，下划线为次优。全参考指标上，HQ（高质量原图）的PSNR未标注，SSIM=1.00、LPIPS=0.00作为基准。无参考指标上，所有方法都超过了HQ——这说明无参考指标对修复图的“审美”偏好与真实清晰度并不完全一致。
先说感知质量。SupS-FT的LPIPS达到0.1714，直接拿下全场第一；SupS-CN以0.2020紧随其后，两者都把DiffBIR（0.2278）、PASD（0.2138）甩在身后。LPIPS越低代表感知上越接近真实清晰图像，这个指标最能反映“好不好看”的主观体验，所以SupS-FT在视觉观感上的优势是有数据支撑的。
再看无参考指标。SupS-CN在MUSIQ、MANIQA、CLIP-IQA三项全部第一，说明它生成的纹理“很讨质量评估模型的欢心”。但有趣的是，PASD在PSNR和SSIM上最高（21.93 / 0.6518），这说明它的输出像素级误差最小——代价是细节偏平。这正是扩散模型修复的老大难：像素空间越接近，反而显得“糊”；感知质量越好，PSNR往往又上不去。SuperSharpen的定位很明确，它优先保感知质量。
定性结果也一样。图3的合成模糊对比里，DiffBIR、SupS-CN和SupS-FT是视觉上最锐利的三家，但细看纹理结构，SupS-FT生成的纹理与真实高清图（HQ）最一致，不自然的结构最少。
图3：合成模糊图像的定性比较。DiffBIR、SupS-CN和SupS-FT都能产生足够锐利的结果，但SupS-FT产生的纹理更少出现不合常理的结构。
真实世界的验证同样有看头。论文选用了Adobe5K——一个用真实单反相机拍摄的RAW图像数据集。这些图本身就带着镜头光学缺陷带来的模糊，再经过DxO自家的DeepPRIME降噪去马赛克流程处理后，部分细节会被进一步抹平。之所以选它，是因为大多数去模糊数据集都聚焦运动模糊或非均匀散焦模糊，而SuperSharpen要啃的正是空间均匀、轻微失焦+处理平滑这类“冷门”模糊。
因为没有真实清晰参照图，真实数据只做定性比较。图4的结果挺能说明问题：ResShift和PASD修完之后还是软绵绵的；SeeSR生成的内容太少，画面显得“平”；DiffBIR纹理倒是锐了，但很多细节是编的，跟原图对不上。而SupS-CN和SupS-FT在“锐度”和“保真度”之间取得了更好的平衡，输出更自然。
图4：真实模糊图像的定性比较。SupS模型在照片真实感和对输入的保真度之间取得了更好的折中。LQ为低质量输入，对比方法包括ResShift、PASD、SeeSR、DiffBIR。
综合来看，实验结果清晰地指向一个结论：如果目标是“让照片变清晰且不像AI乱改的原图”，全量微调的SupS-FT是最稳的选择。这与论文在方法和机制层面的分析完全闭环：ControlNet适配器受制于冻结先验，而全量微调让模型真正学会了如何把模糊图映射到清晰图。
局限与展望：SuperSharpen的边界在哪里？
没有哪篇论文是十全十美的，SuperSharpen也有很明确的边界感。
首先是建模范围。论文从设计之初就锁定了空间均匀模糊
其次是内容敏感性。作者在结论里直言，当前方法在文字和人脸这类极其敏感的内容上可能产生伪影。想想也合理，扩散模型生成文字经常缺胳膊少腿，人脸一旦“脑补”过头就会出现“恐怖谷”效应。另外，当BM取值非常接近0时，模型相当于几乎不做修复，这时候对原始身份的保持还不够理想——输出的图像可能在某些局部偏离输入的人脸特征。
还有一个实际部署的问题：论文在4张H100上训了13天，推理时扩散模型需要多次迭代去噪，速度谈不上实时。对于DxO这样面向专业摄影软件的公司，把SuperSharpen塞进PhotoLab工作流，需要解决推理速度、显存占用和设备适配的问题。当然，DxO本身就是做图像处理引擎的，算法工程化能力很强，未来若能把这项技术以插件或云端服务的形态落地，那对摄影后期的价值将是实打实的。
展望未来，把BM从“全局标量”扩展成“空间变化图”是很有吸引力的方向——那样就能处理局部模糊，也更贴近真实摄影场景。在BM与物理模糊核之间建立更精确的映射，或者引入身份保持约束，也能进一步缩小与商用的距离。这条“可控修复”的路，SuperSharpen算是开了一个好头。
龙迷三问 这篇论文到底在解决什么问题？ 本文提出SuperSharpen（SupS），一种基于隐扩散模型的可控盲去模糊方法，通过模糊度量（BM）让用户在推理时自由调节恢复强度。这篇工作最值得看的点是什么？ SupS-FT在LPIPS上取得最佳结果（0.1714），SupS-CN在无参考指标上表现最优（MUSIQ 71.74, MANIQA 0.6493, CLIP-IQA 0.7299）。在真实图像上，SupS模型在细节生成和输入保真度之间取得更好平衡。这篇工作的边界或风险在哪里？ 优点：1) 提出模糊度量实现显式可控恢复强度；2) 系统比较两种条件化策略，发现微调优于ControlNet；3) 在合成和真实数据上均验证有效性。缺点：1) 仅处理空间均匀模糊，不适用于运动模糊；2) 对文本和人脸等敏感内容可能产生伪影；3) 模糊度量接近零时无法保持身份信息。如果你还有哪些想要了解的，欢迎在评论区留言或者讨论~
龙哥点评 论文创新性分数： ★★★★☆
提出SuperSharpen，一种基于潜在扩散模型的盲去模糊方法，通过引入模糊度量（BM）作为条件输入，实现对恢复强度的显式控制，并对比了ControlNet适配器与全微调两种条件化策略。实验合理度： ★★★★☆
全参考指标PSNR、SSIM、LPIPS；无参考指标MUSIQ、MANIQA、CLIP-IQA。学术研究价值： ★★★★☆
提出SuperSharpen，一种基于潜在扩散模型的盲去模糊方法，通过引入模糊度量（BM）作为条件输入，实现对恢复强度的显式控制，并对比了ControlNet适配器与全微调两种条件化策略；更关键的是问题定义是否可复用到同类任务。稳定性： ★★★☆☆
现有材料未提供充分的极端条件、重复运行或扰动测试，稳定性暂按中性评价。适应性以及泛化能力： ★★★☆☆
现有材料未完整展示跨数据集、跨场景或分布外实验，泛化能力仍需进一步验证。硬件需求及成本： ★★★☆☆
训练在4×H100 GPU上进行13天，SupS-CN训练270k迭代，SupS-FT训练380k迭代，批量大小为24，裁剪尺寸512×512。复现难度： ★★★☆☆
现有材料未确认完整代码、配置、数据处理脚本和权重是否齐备，复现难度暂按中性评价。产品化成熟度： ★★★☆☆
论文验证以研究实验为主，真实部署中的时延、成本、维护和异常场景仍需补充验证。可能的问题： 1) 仅处理空间均匀模糊，不适用于运动模糊；2) 对文本和人脸等敏感内容可能产生伪影；3) 模糊度量接近零时无法保持身份信息。
[1] Rombach R, Blattmann A, Lorenz D, et al. High-Resolution Image Synthesis with Latent Diffusion Models[C]. CVPR, 2022. [2] Zhang L, Rao A, Agrawala M. Adding Conditional Control to Text-to-Image Diffusion Models[C]. ICCV, 2023. [3] Lin X, He J, Chen Z, et al. DiffBIR: Toward Blind Image Restoration with Generative Diffusion Prior[C]. ECCV, 2024. [4] Wang X, Xie L, Dong C, et al. Real-ESRGAN: Training Real-World Blind Super-Resolution with Pure Synthetic Data[C]. ICCV, 2021. [5] Li Y, Zhang K, Liang J, et al. LS-DIR: A Large Scale Dataset for Image Restoration[C]. CVPR, 2023. [6] 原论文链接: https://arxiv.org/pdf/2608.23343v1.pdf *本文仅代表个人理解及观点，不构成任何论文审核或者项目落地推荐意见，具体以相关组织评审结果为准。欢迎就论文内容交流探讨，理性发言哦～ 想了解更多原文细节的小伙伴，可以点击 "阅读原文"， 查看更多原论文细节哦！
📷 拍糊的照片还有救吗？想聊更多图像恢复、去模糊和扩散模型的骚操作？欢迎加入龙哥读论文粉丝群，
扫描下方二维码或者添加龙哥助手微信号加群 ：kangjinlonghelper。
一定要备注：研究方向+地点+学校/公司+昵称（如 图像恢复+上海+清华+老王） ，根据格式备注，可更快被通过且邀请进群。
『龙哥读论文』微信群目前包含：图像处理、大模型及智能体、自动驾驶及机器人、AI医疗及AI金融5个群，等你来唠～
*本文仅代表个人理解及观点，不构成任何论文审核或者项目落地推荐意见，具体以相关组织评审结果为准。欢迎就论文内容交流探讨，理性发言哦～ 想了解更多原文细节的小伙伴，可以点击 "阅读原文"， 查看更多原论文细节哦！
