1.一种基于有监督对比学习的多阶段渐进式混合失真图像复原方法，是将待复原的图像输入网络模型中完成图像复原，其特征在于所述网络模型依次按照如下步骤建立：步骤1：制作训练集

步骤1.1：取M张SIDD数据集GT图像，每张图像记为GT_Img1，GT_Img2，...，GT_ImgM；

步骤1.2：将图像GT_Img1，GT_Img2，...，GT_ImgM分别切成50个分辨率大小为256×256的图像块作为清晰图像块并保留，每个清晰图像块分别记为GT_Block1，GT_Block2，...，GT_BlockN，再取一份与清晰图像块相同图像快，每个图像块依次对应记为Preprocess_Block1，Preprocess_Block2，...，Preprocess_BlockN；

步骤1.3：向图像块Preprocess_Block1，Preprocess_Block2，...，Preprocess_BlockN中分别加入角度θ为10，长度l为10的运动模糊，记为Blur_Block1，Blur_Block2，...，Blur_BlockN；

步骤1.4：向图像块Blur_Block1，Blur_Block2，...，Blur_BlockN中分别加入sigma值为25的高斯噪声，记为失真图像块Distorted_Block1，Distorted_Block2，...，Distorted_BlockN；

步骤1.5：选取N个清晰图像块和N个失真图像块并按顺序对应为清晰图像和失真图像对，记为 ，作为训练集；

步骤2：训练网络

步骤2.1：将训练集 ，输进网络；

步骤2.2：约定清晰图像块为干净样本 ，失真图像块为失真样本；

步骤2.3：将失真样本 送入模型的第一阶段 ；

步骤2.3.1：首先将失真样本沿两个邻边的中线，平均切为四块，四个失真样本块分别记为Distorted_TL，Distorted_TR，Distorted_BL，Distorted_BR；

步骤2.3.2：将四个失真样本块送入一个1×1卷积和双池化通道注意力块，即先经过一个1×1卷积 + ReLU激活函数 + 1×1卷积的组合，然后通过一个并行的平均池化层和最大池化层，再经过一个1×1卷积+ ReLU 激活函数+ 1×1卷积的组合，提取出浅层特征，记为Feature_shallowTL，Feature_shallowTR，Feature_shallowBL，Feature_shallowBR；

步骤2.3.3：将四个浅层特征送入一个编解码器结构中，所述编解码器结构的编码器和解码器分别由3个不同尺度的双池化注意力块组成，不同尺度之间的上下采样操作是通过双线性插值加卷积来完成的，前两个尺度间还存在跳跃连接；具体操作是首先将四个浅层特征送入编码器输出特征，记为Feature_EncoderTL，Feature_EncoderTR，Feature_EncoderBL，Feature_EncoderBR，然后将四个特征合并为两个，记为Feature_EncoderTop和Feature_EncoderBottom，再送入解码器，输出包含上下文信息的特征，记为Feature_ContextTop，Feature_ContextBottom；将编码器和解码器输出的特征分别送入一个1×1卷积，并进行一个合并操作得到输出特征Feature_UnetTop和Feature_UnetBottom；

步骤2.3.4：将输出特征Feature_UnetTop和Feature_UnetBottom送入一个监督注意模块中，该模块首先通过1×1卷积生成残差图像Res_Top和Res_Bottom；然后将输入的四个失真样本块同样合并为两个，记为Distorted_Top和Distorted_Bottom，将它们添加到残差图像块中，得到复原图像块Restored_Top和Restored_Bottom；

步骤2.3.5：对复原图像块Restored_Top和Restored_Bottom进行1×1卷积，通过Sigmoid函数激活生成注意掩码Mask_Top和Mask_Bottom；然后将其与输入特征Feature_ContextTop和Feature_ContextBottom相结合，生成注意增强特征Feature_Top和Feature_Bottom；

步骤2.4：将失真样本 送入模型的第二阶段 ；

步骤2.4.1：将失真样本平均切成上下两块，两个失真样本块分别记为Distorted_Top，Distorted_Bottom；

步骤2.4.2：将两个失真样本块送入与步骤2.3.2相同的结构中，提取出浅层特征，记为Feature_shallowTop，Feature_shallowBottom；

步骤2.4.3：将浅层特征Feature_shallowTop和Feature_shallowBottom，与上一阶段监督注意模块输出的注意增强特征Feature_Top和Feature_Bottom，以及上一阶段输出的编解码器特征Feature_UnetTop和Feature_UnetBottom在特征空间上进行一步加和操作，得到结合后的特征，记为Feature_ConcatTop和Feature_ConcatBottom；

步骤2.4.4：接着将特征Feature_ConcatTop和Feature_ConcatBottom送入与2.3.3相同的编解码器结构中，首先送入编码器输出特征，记为Feature_EncTop和Feature_EncBottom，然后将特征块从两个合并为一个，记为Feature_Whole，再送入解码器，输出包含上下文信息的特征，记为Feature_ContextWhole；将编码器和解码器输出的特征分别送入一个1×1卷积，并进行一个合并操作得到输出特征Feature_UnetWhole；

步骤2.4.5：接着将输出特征Feature_UnetWhole送入与步骤2.3.4相同的监督注意模块中，生成残差图像Res_Whole；然后将输入的两个失真样本块同样合并为一个，记为Distorted_Whole，将它们添加到残差图像块中，得到复原图像块Restored_Whole；

步骤2.4.6：对复原图像块Restored_Whole进行1×1卷积，通过Sigmoid函数激活生成注意掩码Mask_Whole；然后将其与输入特征Feature_ContextWhole相结合，生成注意增强特征Feature_Whole；

步骤2.5：将失真样本 送入模型的第三阶段 ；

步骤2.5.1：将全分辨率的样本块记为Distorted_Full，送入与步骤2.3.2相同的结构中，提取出浅层特征，记为Feature_Full；

步骤2.5.2：将浅层特征Feature_Full，与上一阶段监督注意模块输出的注意增强特征Feature_Whole，以及上一阶段输出的编解码器特征Feature_UnetWhole在特征空间上进行一步加和操作，得到结合后的特征，记为Feature_ConcatFull；

步骤2.5.3：将合并后的特征送入一个原始分辨率网络中，该网络由多个原始分辨率模块串联而成，其中每个模块又是分别由多个双池化注意力模块加上一个1×1卷积层串联而成的，经过该原始分辨率网络后，输出特征Feature_OriginalNet，然后再经由一个1×1卷积，输出残差图像Res_Full；

步骤2.5.3：将残差图像Res_Full与该阶段输入的全分辨率的样本块Distorted_Full合并，输出全分辨率的复原图像，记为Restored_Full；

步骤3：求取损失函数值并确定网络模型

步骤3.1：为每一阶段的输出复原图像与干净样本添加端到端优化损失 及拉普拉斯边缘损失 ；加入对比学习损失 ，对干净样本、失真样本以及复原图像进行特征空间上的约束；

步骤3.2：计算总损失函数值Loss；若epoch达到规定的次数，则网络停止训练，保存最后一轮epoch得到的训练模型为网络模型；否则再一次进入步骤2，循环重复训练。