本文主要對比了兩篇重要的參考文獻與自己實現的一種圖像細節增強技術的實際處理效果，同時簡要敘述了筆者算法思路。
圖像的細節增強有很多典型的應用，例如暴風影音的左眼功能能讓圖像看起來更清晰一點。筆者通過實際測試發現，暴風使用的可能是簡單的銳化加上圖像的對比度飽和度等調節功能，因為對於視頻后處理不太可能采用很復雜的算法。圖像處理的很多算法都可以直接用於視頻后處理，但是，有一個前提：就是算法不能太復雜，否則實時性不太可能滿足。
筆者開發的這種細節增強技術也許比暴風的左眼增強更好。具體對比結果如下：
1. 去模糊效應
去模糊是圖像處理的經典課題，其本質是盲反卷積問題。我並不打算描述去模糊的相關原理。這里主要對比的文獻是香港中文大學的：Jiaya Jia Two-Phase Kernel Estimation for Robust Motion Deblurring。先看實際效果：
原圖：
Jiaya 的處理結果：
筆者算法處理結果
原圖
Jiaya 的處理結果：
筆者算法處理結果
原圖：
Jiaya 的處理結果：
筆者算法處理結果：
原圖：
Jiaya 的處理結果：
筆者算法處理結果：
從對比結果來看，筆者的算法基本上還是能夠趕得上Jiaya 的處理效果的。筆者算法的優略如下：
優勢：筆者的算法速度超級快，無需GPU加速。處理一張720P的彩色圖像需要的時間大約在50ms，占用額外內存僅僅為1張圖片的大小。
而現有的去模糊算法必須要有GPU的情況下都需要數秒鍾的時間。
不足：筆者的算法只針對高斯模糊有效，而且高斯模糊的PSF半徑比較小。最根本的原因在於本人的算法思路是細節增強，而非真正的
去模糊算法。
2. 圖像縮放
既然筆者的算法僅僅對小的高斯模糊比較有效，那么筆者算法的另外一個有效的應用是圖像縮放。采用經典的cubic插值算法得到的圖像有點模糊，可以將筆者的算法用於cubic算法之后的后處理以增強圖像細節。
這里比較的依然是香港中文大學Jiaya 等人的一篇文獻：Fast Image/Video Upsampling
在這篇文獻中，作者用非盲反卷積的思路對cubic插值后的圖像進行去模糊，模糊核被假定為固定的高斯核。經過若干次的迭代可以獲得相當不錯的效果。關於這篇文獻更多的信息可以參考筆者的翻譯稿，下載鏈接如下：
http://download.csdn.net/detail/celerychen2009/5493723
然而，Jiaya的算法仍然需要GPU的參與，否則依然很慢。在我的機器上【I3，CPU主頻2.1G】處理720p的圖像要1分鍾之多。而筆者的算法用於cubic之后的后處理具有明顯的優勢，不用GPU參與也能實時。
原圖：
Jiaya的處理效果： 筆者算法的處理效果：
原圖：
Jiaya的處理效果： 筆者算法處理效果：
原圖：
Jiaya的處理效果： 筆者算法處理效果：
3. 算法思路