sos

[fenghao195]

您好，您在CLS的forward()方法中有一个循环16次的语句：
for i in range(feature_pad.shape[1]):
#对16个通道中的每个通道进行操作
feature_ch = feature_pad[:, i:i+1, :, :]
clear_feature_ch = get_uperleft_denominator(feature_ch, kernel, kernel_P[:, i:i+1, :, :])
clear_features[:, i:i+1, :, :] = clear_feature_ch[:, :, ks:-ks, ks:-ks]
其中get_uperleft_denominator(feature_ch, kernel, kernel_P[:, i:i+1, :, :])方法我看了好多遍，完全看不懂，只知道这个方法是对经过填充的原始特征，预测的平滑滤波器，模糊核进行一些傅里叶变换操作。您能对下列的4~8行解释下这几行代码是在干嘛吗？跪跪谢！
ps（第四行方法里进行的循环移位操作看的怀疑人生，能看懂但是不知道为什么要这样做！哭）

1.# ------------------------------------------------------
2.# -----------Constraint Least Square Filter-------------
3.def get_uperleft_denominator(img, kernel, grad_kernel):
4. ker_f = convert_psf2otf(kernel, img.size()) # discrete fourier transform of kernel 对模糊核进行离散傅里叶操作
5. ker_p = convert_psf2otf(grad_kernel, img.size()) # discrete fourier transform of kernel
6. denominator = inv_fft_kernel_est(ker_f, ker_p)
7. numerator = torch.rfft(img, 3, onesided=False)
8. deblur = deconv(denominator, numerator)
9. return deblur

[Algolzw]

1、函数get_uperleft_denominator即是论文中的深度约束最小二乘滤波，可以看作对每个特征通道都进行去模糊操作。

2、其中convert_psf2otf表示傅立叶变换，我们在该函数里手动实现了中心化的过程（也就是那些位移操作，移动kernel的4个象限使得低频信息在中心）。

3、inv_fft_kernel_est函数即是对应论文中的公式(16)。复数与其共轭的相乘：zz*=(x+iy)(x-iy)=x^2+y^2

4、deconv就是去卷积操作，即频域的卷积等于空域的乘积。复数乘法：(a+bi)(c+di)=(ac-bd)+(bc+ad)i。

整个过程就是把图像和kernel转到频域中，再利用**公式(16)和公式(13)**完成特征去卷积运算。在代码中复数x[:, :, :, :, 0]表示实部，x[:, :, :, :, 1]表示虚部。

[fenghao195]

谢谢您，获益良多

[Algolzw]

没事，感谢关注我们的工作。

[YoungP2001]

您好，有个疑问，deconv是去卷积操作，但论文里面公式13是在空间域做乘积，没涉及卷积，是我理解错了吗？

[Algolzw]

您好，有个疑问，deconv是去卷积操作，但论文里面公式13是在空间域做乘积，没涉及卷积，是我理解错了吗？

你好，公式13其实就是卷积操作，H是去卷积kernel，Gy是模糊特征。 不过这里的具体实现就是在频域里的乘积。

[YoungP2001]

您好，有个疑问，deconv是去卷积操作，但论文里面公式13是在空间域做乘积，没涉及卷积，是我理解错了吗？

你好，公式13其实就是卷积操作，H是去卷积kernel，Gy是模糊特征。 不过这里的具体实现就是在频域里的乘积。

明白了，谢谢您！