随着信息技术的发展,数码摄像机、智能手机等设备已广泛应用于人们工作和生活的各个方面,这些设备产生的图像为人类生活提供丰富多彩的信息。人们通常利用图像记录生活、传递和交流信息。然而生活中难免因为某些因素而接收到模糊图像,例如对焦不准确,又如车辆行驶中由于车和路旁物体间的相对运动造成的运动模糊等,给生活和研究带来不便。因此,对模糊图像进行去模糊处理,对交通管理、目标检测、视频监控等方面起着极其重要的作用。传统图像去模糊算法往往需要基于先验假设来估计模糊核,导致其计算成本高,且模型泛化能力不强。随着深度学习的快速发展,生成对抗网络在图像处理领域的性能得到不断完善,特别是条件生成对抗网络在图像去模糊领域的应用已成为一项热门研究。本文研究了基于条件生成对抗网络的两种图像去模糊方法,内容如下:(1)基于DeblurGAN提出一种利用条件生成对抗网络实现的快速端到端图像去运动模糊方法。采用低秩分解技术和全局对称跳跃连接来加速网络收敛,使用梯度图像L1损失和互信息损失使得生成图像边缘更清晰,并保留尽量多的原图像信息。最后实验证明,该方法在减少计算量的情况下,仍能获得较好的去模糊效果。(2)由于前文的去模糊方法所需的成对的清晰-模糊图像对在现实生活中很少存在,因此,本文进一步研究一种基于解纠缠表示的无监督图像去模糊方法。网络训练不需要成对的清晰-模糊图像对,使用的是非成对的图像数据集,通过使用内容编码器和模糊编码器将模糊图像的内容信息和模糊信息分离,并使用了KL散度损失、对抗损失、感知损失等深度学习技术。此外,设计一个分类器,借助类比推理来指导生成器学习输入图像的可解释属性,从而生成更清晰更逼真的去模糊图像。本文分别研究了基于DeblurGAN和低秩分解的有监督图像去模糊以及基于解纠缠表示的无监督图像去模糊方法。前者在保证去模糊图像质量的前提下,有效压缩和加速了去模糊网络;后者使用非成对清晰-模糊图像数据集进行无监督图像去模糊,在一定程度上缓解了成对清晰-模糊图像对的获取难题。