Blind image deblurring using Nash game and the fractional order derivative

Abstract

У цій статті представлено інноваційний підхід до сліпого усунення розмитості зображень на основі дробових похідних і теорії ігор Неша. Інтеграція дробових похідних покращує процес усунення розмитості, фіксуючи складні деталі зображення, що перевершує можливості традиційних цілочисельних похідних. Ігровий фреймворк Неша використовується для моделювання стратегічної взаємодії між зображенням і невідомим ядром розмиття, сприяючи спільному процесу оптимізації. Експериментальні результати демонструють перевагу запропонованогометоду як щодо пікового співвідношення сигнал–шум (PSNR), так і індексу структурної подібності (SSIM) порівняно з існуючими методами. Похідна дробового порядку покращує збереження структури зображення, тоді як гра Неша полегшує спільну оптимізацію відновлення зображення та оцінку ядра розмиття.This paper presents an innovative approach to blind image deblurring based on fractional order derivatives and Nash game theory. The integration of fractional order derivatives enhances the deblurring process, capturing intricate image details beyond the capabilities of traditional integer-order derivatives. The Nash game framework is employed to model the strategic interaction between the image and the unknown blur kernel, fostering a cooperative optimization process. Experimental results showcase the proposed method’s superiority in terms of both Peak Signal-to-Noise Ratio (PSNR) and Structural Similarity Index (SSIM) when compared to existing methods. The fractional order derivative en hances image structure preservation, while the Nash game facilitates joint optimization of image restoration and blur kernel estimation.