论文介绍一种通过重新定义罚函数的方式将变分贝叶斯方法映射为非标准的极大后验概率问题，并展示这种方法的先进性，解释其成功的原因，并提供了严格的选择最佳图像先验的标准。

May, 2013

本文提出了两个生成网络分别为清晰图像和模糊核建模的深度先验，并提出了一种无约束神经优化解决盲解卷积问题的方法 SelfDeblur，实验结果表明相较于现有的盲解卷积方法，SelfDeblur 在定量和视觉上都取得了令人瞩目的成果。

Aug, 2019

本文提出了一种基于自相关的相位图像的频域方法，直接从运动模式中提取高质量的模糊核，在加入对模糊核和潜在图像的正则化约束下，优化求解模糊核和清晰图像的问题，从而实现图像去模糊。此方法可处理空间变化和非均匀模糊，并在合成和真实数据上得到了良好的结果。

Nov, 2018

研究了一种使用神经网络进行盲运动去模糊的新方法，该网络通过学习预测一个去卷积滤波器的复傅里叶系数来计算从未知运动核产生的模糊图像。该方法在 GPU 硬件上的并行性能优异，并且展现出接近现有最先进迭代方法的精度和鲁棒性。

Mar, 2016

本文介绍了两种算法：PnP-ULA（未调整的 Langevin 算法）和 PnP-SGD（随机梯度下降）, 用于进行具有 Plug & Play 先验的贝叶斯推断，其中深度神经网络去噪算子特别值得注意，同时针对图像去模糊、修复和去噪等标准问题，这些算法可用于点估计和不确定性可视化和量化。

Mar, 2021

在本文中，我们开发了一种数据驱动方法来对饱和像素进行建模，并提出了基于学习的潜变量映射进行非盲目去模糊处理的最大后验 (MAP) 问题，可通过迭代计算潜变量映射和潜变量图像来有效解决。为了提高去模糊图像的质量并避免加大伪影，我们开发了先验估计网络 (PEN) 来获取先验信息，并将其融入到 RL 方案中。实验结果表明，所提出的方法在合成图像和真实世界图像上在定量和定性方面都表现出色，优于现有的算法。

Aug, 2023

本文对图像去模糊技术的最新发展，包括非盲目 / 盲目、空间不变 / 变异去模糊技术进行了综述，通过分析现有方法如何处理去模糊任务中的病态问题，将现有方法分为五类：贝叶斯推断框架、变分方法、稀疏表示方法、单应性建模和区域方法。虽然这些方法已经取得了一定的发展，但是图像去模糊，特别是盲目情况下，受到复杂的应用条件的限制，使得模糊核很难获取。本文针对这一问题进行了系统的综述，并提出了未来的发展方向。

Sep, 2014

本文介绍了一种基于图的盲图像去模糊算法，该算法通过将图像块解释为加权图上的信号来解决盲图像去模糊问题。该算法可通过稳健的滤波和尖锐度提升等优秀性能有效恢复出潜在的清晰图像，并在质量和数量上优于现有的方法。

Feb, 2018

本文提出了一种基于稀疏模型和锥约束的迭代算法，以实现盲卷积问题中的性能保证。在这个先验的基础上，该算法在接近最优样本复杂度的情况下实现了盲卷积问题的拟合精度。

Nov, 2015

本文提出一种将清晰模糊图像对数据集中的模糊算子编码到模糊核空间中，并使用交替优化算法进行盲目图像去模糊的方法，该方法不同于基于深度学习的方法，可以处理未见过的模糊核，同时避免使用常见于经典方法中的复杂的手工先验模糊算子。此外，所设计的编码核空间具有完全可微性，可以轻松地应用于深度神经网络模型中，并可用于模糊合成。最后，我们提供了实验结果来证明所提出方法的有效性。

Apr, 2021