图像信息占据人们所获取信息的很大一部分,高质量的图像会提供更加准确的信息,而由于图像信息在获取、压缩、传播、解压的过程中设备的限制,客观上导致了有些图像质量低下。同时随着高科技的发展,多媒体越来越需要高分辨率的图像满足人们的主观需求,所以图像恢复问题在生产和生活中有着重要的作用。传统的基于模型的图像恢复方法拥有数据项和先验项,通过将这两者结合,可以在逼近原始图像整体的基础上,对图像的细节进行恢复。在传统的基于模型的方法中,图像先验信息一般是人工提取的,通过观察图像特征进行设计,有较为直观的数学表达式,但是存在先验信息单一的问题。而基于深度学习的图像恢复方法,则依赖于大数据的驱动,端到端的实现低质量图像到高质量图像的映射,但恢复结果大程度上依赖于网络的设计,并且随着卷积网络层数的加深,恢复效果提升甚微。本文结合这两种方式,提出了本文的算法——基于模型驱动深度神经网络的图像恢复方法。本文的创新点有以下三点:1、借助深度学习强大的特征提取能力,学习了基于深度神经网络的去噪算子,该算子能够较为全面的提取图像的混合先验信息,为基于模型的图像恢复方法提供了更加准确的约束条件。采用结构对称的U-Net作为去噪算子学习的网络,其“下采样-上采样”的结构也在扩大感受野和降低算法复杂度方面助力了图像先验信息的获取。既克服了单一图像先验的局限性,同时采用深度神经网络学习混合先验信息,也为之后将模型展开为端到端的网络奠定了基础。2、将基于深度学习获得的去噪算子嵌入到由基于图像退化模型推导而来的迭代过程中,使得在通过去噪算子初步去噪之后,依然能够结合图像退化过程对图像进一步精准的恢复。同时将整个交替迭代的优化步骤展开为互不重叠的过程,实现端到端的网络训练,使得网络中原本需要人工调节的参数可以通过网络的训练自适应的更新,从而达到整体结果的最优。3、在求解交替迭代优化过程中的子目标函数时,本文采用单步梯度下降替换了原来的闭式解析解,很大程度上降低了整个模型的运算复杂度,使得网络的训练更加的简单。同时在数学层面证明了该替换过程的合理性,对模型的收敛性做出了数学证明。本文算法的提出为基于模型、基于深度学习的图像恢复算法的结合提供了较好的基础,同时所达到的结果也是同一时期最优的。