本文提出了一种通过深度卷积神经网络 (CNN) 利用语义线索来实现有效和高效的人脸去模糊算法。该算法通过全局语义先验作为输入，并在多尺度深度 CNN 中施加局部结构损失来规范输出，以训练具有感知和对抗性损失的神经网络，生成逼真的人脸去模糊结果，评估表明该算法在人脸去模糊的质量、人脸识别和执行速度方面表现良好。

Mar, 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

本文提出了一种基于样本数据集的去模糊算法以及卷积神经网络恢复模糊图像中的清晰边缘进行去模糊处理，实验表明该算法对于人脸图像去模糊非常有效，并且可以用于其他物体类别。

May, 2018

本文提出了一种使用深度卷积神经网络通过利用语义线索进行有效高效人脸去模糊的算法。该算法利用面部语义标签作为输入信息，并提出一种自适应结构损失来规范面部局部结构。实验结果表明，该方法在还原质量、人脸识别和执行速度方面的表现优于最先进的方法。

Jan, 2020

本文提出了一种用于视频去模糊的简单而有效的深度卷积神经网络模型，该模型由中间潜在帧的光流估计和潜在帧恢复步骤组成，并开发了时间锐度先验以控制其性能表现。研究结果表明，该算法在基准数据集和实际视频上的表现优于现有的最先进方法。

Apr, 2020

本文提出了一种多尺度卷积神经网络模型，用于处理不同来源的模糊，通过使用自定义的大规模数据集训练该模型，实现了在动态场景去模糊方面的卓越性能。

Dec, 2016

本文提出了一种基于领域特定的方法来解决人脸去模糊问题，使用深度网络和人脸对齐来处理每张图片，并采用了有效的方法生成了超过 2 百万帧的数据集，实验显示该方法在真实世界的人脸去模糊任务中取得了接近于高清自然图片的效果。

Apr, 2017

图像盲去模糊是从模糊图像中提取出清晰图像和模糊核的过程。本研究提出了一种新的先验（ReLU 稀疏性先验），能够在各种图像分布（自然图像、人脸图像、文本图像、低光图像、饱和图像等）上有效地估计模糊核。我们的方法在 PSNR、SSIM 和错误比等度量指标上保持高准确性的同时，推断时间比现有方法快三倍。当将我们的方法用作后处理单元时，可观察到在基于深度学习的方法中最先进的架构性能上的显著改进。

Jun, 2024

借助深度学习和经典迭代退卷积算法，本文提出了一种新颖的非盲目退卷积方法，通过预训练网络提取输入图像的深度特征，并结合迭代的 Richardson-Lucy 退卷积步骤，最终通过零样本优化过程获得高质量重建图像，加速重建并减少对计算资源的需求，并在非盲目退卷积任务的各种实际应用中展现了显著的改进。

Oct, 2023

通过将 Wiener 去卷积算法与深度学习结合，提出了面向非盲目图像去模糊的一种新方法，通过特征空间中的显式去卷积过程并利用多尺度特征细化模块逐步恢复细节和小尺度结构，训练模型的结果表明，所提出的深度 Wiener 去卷积网络能够缩小众多噪点，并在真实世界图像模糊的情况下优化表现，有着显著的效果。

Mar, 2021