ArrayFire中卷积后反卷积无法还原原图的原因探究

问题描述 #

使用C++ ArrayFire库开发图像去模糊应用，测试场景为5×5原图与3×3全1归一化核：

• 通过af::convolve2完成卷积
• 调用af::iterativeDeconv分别用Richardson-Lucy（RL）和Landweber算法反卷积
• 结果与原图差异明显，Landweber算法偏差远大于RL；增加迭代次数未达到预期收敛效果

测试代码 #

// Create a simple 5x5 input image
float h_image[25] = {
    1, 1, 1, 1, 1,
    1, 2, 2, 2, 1,
    1, 2, 3, 2, 1,
    1, 2, 2, 2, 1,
    1, 1, 1, 1, 1,
};
af::array image(5, 5, h_image);

// Create a simple 3x3 kernel (normalized such that sum == 1)for convolution
float h_kernel[9] = {
    0.111, 0.111, 0.111,
    0.111, 0.111, 0.111,
    0.111, 0.111, 0.111,
};
af::array kernel(3, 3, h_kernel);

// Perform convolution
af::array convolved = af::convolve2(image, kernel);

// Perform deconvolution
float relaxation_factor = 0.64;
int num_iterations = 128;
af::array deconvolved_richardson_lucy = af::iterativeDeconv(convolved, kernel, num_iterations, relaxation_factor, AF_ITERATIVE_DECONV_RICHARDSONLUCY);
af::array deconvolved_landweber = af::iterativeDeconv(convolved, kernel, num_iterations, relaxation_factor, AF_ITERATIVE_DECONV_LANDWEBER);

// Output results
af::print("Original Image", image);
af::print("Convolved Image", convolved);
af::print("Deconvolved Image - Richardson Lucy", deconvolved_richardson_lucy);
af::print("Deconvolved Image - Landweber", deconvolved_landweber);

输出结果 #

Original Image
[5 5 1 1]
    1.0000     1.0000     1.0000     1.0000     1.0000 
    1.0000     2.0000     2.0000     2.0000     1.0000 
    1.0000     2.0000     3.0000     2.0000     1.0000 
    1.0000     2.0000     2.0000     2.0000     1.0000 
    1.0000     1.0000     1.0000     1.0000     1.0000 

Convolved Image
[5 5 1 1]
    0.5550     0.8880     0.9990     0.8880     0.5550 
    0.8880     1.5540     1.7760     1.5540     0.8880 
    0.9990     1.7760     2.1090     1.7760     0.9990 
    0.8880     1.5540     1.7760     1.5540     0.8880 
    0.5550     0.8880     0.9990     0.8880     0.5550 

Deconvolved Image - Richardson Lucy
[5 5 1 1]
    0.3774     0.5695     1.0053     0.5695     0.3774 
    0.5695     1.2211     2.2630     1.2211     0.5695 
    1.0053     2.2630     4.7015     2.2630     1.0053 
    0.5695     1.2211     2.2630     1.2211     0.5695 
    0.3774     0.5695     1.0053     0.5695     0.3774 

Deconvolved Image - Landweber
[5 5 1 1]
   23.2821    32.3862    71.3124    32.3862    23.2820 
   32.3862    80.7867   151.3048    80.7867    32.3862 
   71.3124   151.3049   276.6479   151.3048    71.3124 
   32.3862    80.7867   151.3048    80.7867    32.3862 
   23.2821    32.3862    71.3124    32.3862    23.2820 

问题原因分析 #

1. 卷积边界填充带来的误差放大 #

af::convolve2默认使用零填充（zero-padding），导致图像边缘区域的卷积结果与真实值偏差显著（比如原图左上角1，卷积后得到0.555，是因为边缘只有5个像素被核覆盖，其余4个是0）。反卷积本身是病态问题，这种边界误差会被迭代过程不断放大，Landweber算法对这类误差的敏感度远高于RL算法，直接导致结果发散。

2. Landweber算法参数设置不合理 #

Landweber算法收敛的前提是松弛因子小于2/L（L为卷积算子的最大特征值）。对于全1归一化核，L=1（核的和为1，对应最大特征值），理论上松弛因子应小于2，但实际中过大的松弛因子（如0.64）加上128次迭代，会导致算法偏离收敛方向，最终数值爆炸。

3. 核的精度不足 #

手动设置的0.111与真实值1/9≈0.111111...存在精度误差，卷积后会引入微小偏差，在反卷积的迭代过程中被累积放大。

4. 反卷积的固有病态性 #

反卷积是典型的不适定问题，即使无噪声，微小的输入误差（如边界填充、核精度）也会被迭代过程放大，导致结果偏离原图。

解决建议 #

1. 调整边界填充模式 #

将卷积和反卷积的边界模式改为对称填充（AF_PAD_SYM）或复制填充（AF_PAD_REPLICATE），减少边缘区域的不连续性误差：

// 卷积时指定边界模式
af::array convolved = af::convolve2(image, kernel, AF_CONV_DEFAULT, AF_PAD_SYM);

2. 优化Landweber算法参数 #

• 降低松弛因子：比如设置为0.1，避免迭代发散
• 减少迭代次数：从128次降至10-20次，观察收敛情况

float relaxation_factor = 0.1;
int num_iterations = 15;
af::array deconvolved_landweber = af::iterativeDeconv(convolved, kernel, num_iterations, relaxation_factor, AF_ITERATIVE_DECONV_LANDWEBER);

3. 提高核的精度 #

使用精确的归一化值代替手动输入的0.111：

float h_kernel[9];
float kernel_val = 1.0f / 9.0f;
std::fill(h_kernel, h_kernel+9, kernel_val);
af::array kernel(3, 3, h_kernel);

4. 加入正则化约束 #

对于RL算法，可通过调整松弛因子实现隐式正则化；Landweber可考虑使用带正则化的版本，或在迭代过程中加入梯度裁剪，抑制误差放大。

内容的提问来源于stack exchange，提问作者speca