这是2019 CVPR的一篇去模糊的论文，我感觉有点水，但是只能看懂这种水的，这里简要理解一下。
论文采用的策略是参数选择策略和网络跨层连接，网络包括特征提取、非线性转换和特征重建三个部分，如下图所示:
论文首先使用参数选择策略，关注两个问题，即哪些参数是可以在不同scale之间共享的，哪些参数是可以在每个模块内共享的。论文首先观察不同尺度上模糊区域和尖锐区域的特征是不一样的，即尖锐区域在下采样后仍然是尖锐的，而模糊区域在下采样后会变得尖锐。所以当在coarse和fine两种不同的级别的网络做特征提取时，其不能同时对尖锐和模糊区域进行特征提取。所以论文使用了如下的特征提取策略:
所以这里在设置时，将特征提取和特征重建两个部分都使用独立的参数，从而实现scale-variant。对于非线性转换模块，这里是将模糊转换到尖锐，所以可以共享参数。其一个模块内不同的非线性转换也可以共享参数。网络使用的是coarse to fine的模式，从而实现逐步deblur。
此外论文还提出了稠密残差连接，叫做nest连接，如下图所示，可以获得更加复杂的特征表示，虽然我觉得优点扯：
最后对于网络，非线性转换模块包括四个处理模块，每个模块是两个卷积层。特征提取和特征重建分别是卷积下采样和反卷积，网络的训练使用的是L2 loss。总之论文感觉有点水，其他部分见论文。