5月8日上午，华南理工大学计算机学院副教授、博士生导师全宇晖应邀为信息学院师生开展讲座，报告题为“A Journey to Single Image Defocus Deblurring: From Two-Stage Deconvolution to End2End Kernel Mixture Learning”。学院副院长李秀梅主持此次讲座，学院40余名老师和研究生通过线上方式在腾讯会议平台参与聆听。

此次讲座以“图像复原与图像全聚焦”为主题，深入探讨了图像处理领域的核心技术和前沿进展。讲座伊始，全教授首先向听众们详细解释了“失焦模糊”的概念。他指出，当我们在拍摄照片或录制视频时，如果对焦不准确，图像中的某些部分甚至整张图片都可能出现明显的模糊现象。这种模糊不仅影响了图像的视觉效果，还可能导致图像中的重要细节信息丢失，对于后续的图像分析和处理带来极大的挑战。为了更直观地解释失焦模糊的成因，全教授借助了凸透镜原理，通过简单的物理模型向听众们展示了视角模糊的形成过程，使得听众们对这一问题有了更深入的理解。

为了解决失焦模糊问题，全教授引出了“图像全聚焦”的概念，并介绍了他们团队在IJCV2021上发表的文章《zero-shot deep learning for nonblind image deconvolution》。在这篇文章中，他们提出了利用非盲去卷积技术来显著提高模糊图像的质量。相比传统方法，非盲去卷积不仅解决了数据采集困难、时间成本高等问题，而且能够在没有特定样本的情况下进行学习，从而适应更多场景。

接着，全教授详细讲解了零样本学习在图像复原中的应用。他提到，早期的零样本学习方法如DIP深度图像检验虽然取得了一定的成果，但存在过拟合等问题。为了克服这些问题，他们团队引入了self-to-self方法，使模型能够更好地学习到恒等映射，并解决泛化问题和性能问题。同时，通过在损失函数中加入模糊算子，他们的模型能够对模糊图像进行更有效的重构。实验结果显示，这种方法在无监督学习方法中表现优异，甚至优于有监督和样本学习方法。

针对实验数据的问题，全教授团队提出了基于TOC数据集的无监督学习方法R2R。该方法通过加入噪声来消除错误，并结合集成推理算法，有效地解决了模糊和扰动问题。实验结果显示，加入集成推理后，kernel error有显著降低，进一步证明了该方法的有效性和实用性。

在会议的最后，全教授详细回答了听众提出的有关实验细节的一系列问题，并且对原有内容进行补充说明，以便大家更好地理解有关图像修复和全聚焦的知识。此次讲座不仅为大家揭示了图像处理领域的最新研究进展，更是为研究生们的论文撰写和实验探索提供了宝贵的指导与启示。

（文/刘光宇 叶列立 图/刘光宇）