该研究论文中介绍了深度生成模型在图像去模糊中的应用，通过利用生成对抗网络以及对抗学习框架，成功地生成了清晰度更高的图像，解决了图像模糊所带来的挑战，并在实际应用中产生了明显的效果。

Dec, 2023

DeblurGAN-v2 是一种基于到相对论条件 GAN 的新型端到端生成对抗网络，其采用 Feature Pyramid Network 作为生成器中的核心构建块，在单幅图像运动去模糊方面有着很高的实用价值。

Aug, 2019

本研究旨在利用深度神经网络和生成对抗网络等技术解决盲运动去模糊问题，实验结果表明，我们模型在高频特征捕获能力上更具优势，并在基准数据集上取得了竞争性的性能。

Jan, 2019

本文提出了一种新颖的基于生成对抗网络（GAN）的深度滤波器，其与全局跳跃连接和密集结构相集成，以解决由于相机和物体之间的相对运动引起的运动模糊问题。在不需要进行模糊核估计的情况下，我们的模型显著减少了测试时间，证明了该方法在定量和定性上均胜过现有的盲去模糊算法，具有实际应用前景。

Sep, 2017

本论文提出了基于 SinGAN 框架的盲运动去模糊方法，该方法通过生成模型而不是基于训练数据的方法来还原图像。

Nov, 2020

本文提出一种可微分的重新模糊模型，支持自我监督的运动去模糊，通过利用从连续图像中获取的运动线索，将去模糊问题突破为反渲染问题，包括使用卷积神经网络和真实数据集进行实验，并证明单幅图像自我监督去模糊是可行的，能够实现视觉上令人满意的结果。

Feb, 2020

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

本文综述了近六年来深度学习在盲运动去模糊中的应用，包括数据集、评估指标和方法的全面概述。通过对不同基本网络的分类和总结，详细探讨了它们的优点和局限性，并进行了最新方法的定性和定量实验结果比较。最后，针对现有挑战和未来路径进行了分析。

Jan, 2024

提出了一种基于边缘启发式多尺度生成对抗网络的图像去模糊方法，采用粗到细的方法进行端到端去模糊，并设计了边缘增强网络和分层内容损失函数来指导去模糊过程，在不同数据集上进行了广泛实验，取得了动态场景去模糊的最佳性能。

Jul, 2019

本文通过尝试不同的 GAN 结构和对现有结构的各种修改来提高其在监督去模糊中的性能，其中包括使用注意力模块和残差连接，同时添加经典损失函数（L1，L2 和感知损失）来训练 GAN，以及采用反馈模块以保留长期依赖关系。

Jul, 2019