基于深度学习的运动模糊估计与非盲解卷积方法的学习式去模糊提供了使用前向退化模型的明确定义规范，同时实现了算法的泛化和可解释性，并通过基于卷积的非均匀运动模糊降级模型进行训练和评估，展示了准确的模糊估计以及优于现有端到端深度学习方法的真实模糊图像恢复效果。

Aug, 2023

提出了一种基于双向光流的能量模型，用于处理动态场景中的模糊视频，从而实现去模糊与准确光流估计。

Jul, 2015

本文提出一种使用深度学习从数据中学习先验的方法来消除运动模糊，通过学习运动流代替复杂的先验模型，使用全卷积神经网络从运动模糊图像中直接估计运动流并恢复图像，通过在合成运动流图像对上训练，绕过了手动标注的流程，实际测试中优于现有方法。

Dec, 2016

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

通过使用模糊不变的运动估计和像素体积来有效聚合多个视频帧的信息以消除视频模糊，本文提出了一种有效的循环视频去模糊网络，与最近使用深度学习的方法相比，在定量和定性方面均取得了最先进的性能。

Aug, 2021

该研究提出了一种新的框架，利用 Transformer 网络从单个运动模糊图像中端到端地估计光流，并通过粗到细的方式评估了该模型的性能和应用。

Mar, 2021

本文提出了一种基于学习的方法，利用自监督学习优化现有的去模糊神经网络，通过强制输出与输入模糊图像匹配的光流，从而改善现有方法在多个数据集上的性能表现，同时保证了输出结果更贴近于潜在图像的内容。

Jan, 2018

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

本文提出了一种端到端学习框架，利用真实世界的事件减轻数据不一致性造成的性能下降，在光流的帮助下利用模糊一致性和亮度一致性实现了自监督，提出了分段线性运动模型以考虑运动的非线性，加强了对真实场景中运动模糊形成的准确建模，并在合成和真实运动模糊数据集上进行充分评估，显示了在真实世界情境中差距较大的模拟和真实运动模糊之间的良好表现。

Sep, 2021

本文通过重新审视可变形卷积技术，旨在解决图像中卷积核区域位置的网格限制问题，以期更好适应物体形状不规则性和运动不确定性，从而提供更准确的插值画面。实验结果表明，相比于现有的其他技术，在四种数据集上所提出的模型表现更为卓越。

Apr, 2022