论文笔记：Deep Algorithm Unrolling for Blind Image Deblurring

这是一篇CVPR2020的去模糊论文，主要是通过传统与深度相结合，将迭代次数变成神经网络的层数，使网络结构的网络结构更加具有解释性。

主要贡献： 

Deep Unrolling for Blind Image Deblurring (DUBLID)：提出一种可解释的神经网络结构叫做DUBLID，首先提出一种迭代算法，该算法被认为是梯度域中传统的广义全变分正则方法(generalized TV-regularized algorithm)的推广。   

       算法步骤的每次迭代都表示为网络的一层，连接这些层形成一个深层神经网络。通过网络相当于执行有限次数的迭代算法。此外，算法参数(例如模型参数和正则化系数)转移到网络参数。可以使用反向传播来训练网络，从而产生从真实世界训练集中学习的模型参数。这样，训练后的网络可以自然地解释为参数优化算法，有效地克服了大多数传统神经网络缺乏可解释性的问题。传统的迭代算法与流行的神经网络相比通常需要的参数更少。因此，展开的网络具有很高的参数效率，并且需要较少的训练数据。此外，展开的网络自然继承了先前的结构和领域知识，而不是从密集的训练数据中学习它们。因此，它们倾向于比一般网络更好地推广，并且只要每次算法迭代(或相应的层)不太昂贵，计算速度就会更快。

        算法展开的概述:给定迭代算法(左)，可以通过级联其迭代h来生成相应的深层