Autoencoder图像去运动模糊：模型输出像素化及尺寸调整问题问询

任务背景 #

• 基于Autoencoder开展图像运动模糊去除，使用1816对模糊/清晰图像的小型数据集
• 首次尝试：6层Autoencoder，输入尺寸128×128×3，预测结果呈现像素化彩色效果
• 二次调整：新增卷积/反卷积层，输入尺寸改为1024×1024×3，预测效果仍未达标
• 已提供两种模型代码、训练loss/accuracy/学习率数据及预测结果图

问题原因分析 #

1. 模型结构与输入适配性不足 #

• 直接用1024×1024大输入搭配扩容后的卷积/反卷积层，会导致模型参数量剧增，小型数据集无法支撑大模型的拟合需求，同时梯度消失/爆炸风险升高，训练稳定性差
• 6层Autoencoder结构过于简单，特征提取能力有限，无法捕捉运动模糊对应的复杂纹理细节，难以还原清晰图像的高频信息，最终出现像素化输出

2. 数据集规模限制 #

• 仅1816对样本属于典型小型数据集，小模型易出现欠拟合（无法学习模糊到清晰的映射规律），大模型则易过拟合（泛化能力差，输出效果不稳定）

3. 训练环节潜在问题 #

• 若loss曲线波动大、accuracy无明显提升，大概率是学习率设置不合理：过大导致训练震荡，过小导致收敛缓慢
• 像素化彩色效果可能源于输出层激活函数选择错误（如误用relu导致像素值超出[0,1]范围后被截断），或是图像预处理/后处理时的归一化、反归一化步骤出错

4. 任务针对性缺失 #

• 普通Autoencoder偏向通用特征压缩，未针对运动模糊的先验信息（如模糊核方向、模糊程度）设计专属模块，无法精准建模模糊到清晰的映射关系

优化方案 #

1. 模型结构调整 #

• 放弃直接处理1024×1024大图像，采用分块处理+拼接策略：将图像切分为128×128子块，用适配小输入的模型处理后拼接还原，平衡模型复杂度与输入尺寸需求
• 替换普通Autoencoder为U-Net结构：引入跳跃连接保留底层纹理细节，避免像素化；或加入注意力机制（SE/CBAM），让模型聚焦于模糊区域的特征修复
• 输出层改用sigmoid激活函数，确保输出像素值落在[0,1]区间，配合输入时的归一化操作，避免彩色失真

2. 数据集扩充与增强 #

• 对现有数据集做数据增强：随机裁剪、旋转、翻转、添加轻微噪声、调整亮度/对比度，扩充有效样本量，缓解过拟合
• 生成合成模糊数据：用现有清晰图像生成不同运动方向、模糊程度的样本，补充数据集多样性，帮助模型学习更通用的模糊映射规律

3. 训练策略优化 #

• 采用学习率衰减策略：初始学习率设为1e-4，每5个epoch衰减为原来的0.5，避免训练震荡
• 更换损失函数为L1损失+感知损失组合：L1损失保证像素级还原精度，感知损失（基于预训练VGG提取特征）提升图像视觉质量，减少像素化
• 增加训练轮次，同时加入早停机制：当验证集loss连续3个epoch不下降时停止训练，避免过拟合

4. 预处理与后处理优化 #

• 统一图像预处理流程：将所有图像归一化到[0,1]区间，训练后反归一化时确保计算准确，避免像素值异常导致的彩色失真
• 对预测结果做轻量后处理：用高斯模糊或双边滤波平滑输出图像，缓解像素化问题

内容的提问来源于stack exchange，提问作者mchd