““目的高时间分辨率的事件相机为传统运动图像去模糊任务提供新的发展思路，但是当前基于事件驱动的运动图像去模糊方法中存在跨模态补偿机制不足、深度特征计算复杂度较高以及缺乏多尺度时空信息关注的问题，在复杂场景中的去模糊泛化性能受限。针对以上挑战，提出一种双通道Mamba去模糊网络（dual channel Mamba network，DCM-Net）。方法使用一种双通道跨模态Mamba模块（dual channel cross-modal Mamba，DCCM），通过线性复杂度的状态空间模型（state space model，SSM）隐状态映射，将事件与模糊图像投影至共享的潜在特征空间中，再通过非线性交叉门控结构，利用低噪声的模糊图像信息抑制事件噪声，并提取事件的清晰边缘特征，将其嵌入到图像特征中，实现事件和模糊图像的跨模态特征互补融合，达到去模糊的效果。此外，提出一种金字塔通道注意力模块（pyramid channel attention，PyCA）对特征的多尺度时空信息进行提取，引导网络聚焦关键时间通道，增强对空间内局部模糊的细节重建，进一步提高潜在清晰图像序列的复原精度。结果实验在合成的REDS（realistic and diverse scenes）数据集与半合成的HQF（high quality frames）数据集上进行，与11种方法进行了比较。与DeMo-IVF方法相比，本文方法在REDS数据集重建序列的峰值信噪比（peak signal-to-noise ratio，PSNR）平均提升了0.16 dB，结构相似性指数（structural similarity，SSIM）平均提升了0.003；在HQF数据集上，PSNR和SSIM分别平均提升约0.11 dB和0.002；在两个数据集上的序列重建结果的学习感知图像块相似度（learned perceptual image patch similarity，LPIPS）达到最优。在与其中5种较先进方法进行比较的主观对比实验中，本文方法取得最佳评分。结论本文方法可以结合模糊图像和事件数据，重建出清晰潜在图像序列，证明了所提网络框架的有效性。””