1.一种基于非对称U‑Net网络的动态场景盲去模糊方法，其特征在于，包括：获取待去模糊的模糊图像，将模糊图像输入到训练好的基于非对称U‑Net网络的动态场景盲去模糊模型中，得到清晰的图像；

基于非对称U‑Net网络的动态场景盲去模糊模型的训练过程包括：S1：获取模糊图像并将其输入到编码器模块中，得到第一特征图；

S2：采用模糊核逆核估计模块对第一特征图进行处理，得到第二特征图；采用模糊核逆核估计模块对第一特征图进行处理的过程包括：第一特征图依次经过一层输入通道与输出通道均为128的3×3卷积、2个NAFBlock和一层输入通道为128输出通道为25的3×3卷积处理后，得到模糊核；

模糊核依次经过一层输入通道与输出通道均为25的3×3卷积、2个NAFBlock和一层输入通道为25输出通道为49的3×3卷积处理后，得到逆核；

采用自适应滤波器卷积层对第一特征图和逆核进行处理，得到第二特征图；

S3：将第二特征图输入到解码器模块中，得到三张推理清晰图像；从三张推理清晰图像中选择图像质量评价指标最高的图像作为最终的清晰图像；

S4：根据三张推理清晰图像、真实清晰图像和真实模糊图像计算总损失；根据总损失调整模型参数，得到训练好的基于非对称U‑Net网络的动态场景盲去模糊模型；其中，总损失由再模糊损失和多输出融合损失组成；

计算再模糊损失的公式为：

LReBlur＝PSNR(BReBlur,↓4BGT)

其中，LReBlur表示再模糊损失，BReBlur表示推理模糊图像，BGT表示真实模糊图像，↓4表示对图像进行四倍双线性插值下采样；

计算多输出融合损失的公式为：

LMORL＝min(PSNR(Si,SGT))

其中，LMORL表示多输出融合损失，Si表示第i张推理清晰图像，SGT表示真实清晰图像，PSNR()表示PSNR损失函数。

2.根据权利要求1所述的一种基于非对称U‑Net网络的动态场景盲去模糊方法，其特征在于，所述编码器模块包括第一编码器、第二编码器和第三编码器；其中，第一编码器包括一层输入通道为3，输出通道为32的3×3卷积和3个NAFBlock；第二编码器包括一层输入通道为32，输出通道为64，步幅为2的3×3卷积和3个NAFBlock；第三编码器包括一层输入通道为64，输出通道为128，步幅为2的3×3卷积和30个NAFBlock。

3.根据权利要求1所述的一种基于非对称U‑Net网络的动态场景盲去模糊方法，其特征在于，所述解码器模块包括第一解码器、第二解码器和第三解码器；其中，第一解码器包括一层输入通道为128输出通道为256的1×1卷积、3个NAFBlock和1个pixelShuffle层；第二解码器包括一层输入通道为64输出通道为128的1×1卷积、3个NAFBlock和1个pixelShuffle层；第三解码器包括一层输入通道为32输出通道为9的3×3卷积和3个NAFBlock。

4.根据权利要求1所述的一种基于非对称U‑Net网络的动态场景盲去模糊方法，其特征在于，计算总损失的过程包括：采用自适应滤波器卷积层对真实清晰图像以及模糊核逆核估计模块处理过程中得到的模糊核进行处理，得到推理模糊图像；

根据推理模糊图像和真实模糊图像计算再模糊损失；

根据真实清晰图像和三张推理清晰图像计算多输出融合损失；

根据再模糊损失和多输出融合损失计算总损失。

5.根据权利要求4所述的一种基于非对称U‑Net网络的动态场景盲去模糊方法，其特征在于，计算总损失的公式为：L＝LReblur+0.01LMORL

其中，L表示总损失，LReBlur表示再模糊损失，LMORL表示多输出融合损失。