本文提出了基于模糊内核建模方法的深度卷积神经网络模型，用于解决视频超分辨率问题，该模型包括运动模糊估计、运动估计和潜在图像恢复模块，实验证明该算法能够生成结构更清晰、细节更好的图像，并且性能优于当前先进的方法。

Mar, 2020

本文研究单幅图像去模糊方法，使用深度学习技术设计了 Multi-Scale-Stage Network 方法，该方法通过三个创新技术组件来改进之前粗糙 - 精细方案，提高了去模糊质量、缩小了网络规模和加速了计算速度，并在评估中展现出最先进的性能。

Feb, 2022

提出一种深度分层多块网络方法解决运动模糊的问题，该方法在处理 720p 图像时拥有 40 倍的加速，是首个实时的深度运动去模糊模型，并且在不同深度下适用于不同的应用场景，可以有效地避免性能饱和问题。

Apr, 2019

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卷积神经网络的深度门控融合模型来实现含运动模糊的图像超分辨率重建，并通过将特征提取步骤拆分成两个独立任务的设计来增强模型的训练效果并提升图像分辨率预测结果。实验结果表明，该模型能够高效生成清晰的超分辨图像。

Jul, 2018

本研究研究了多尺度和多时间尺度方法，提出一种新的 MT-RNNs 方法，用于逐步恢复非均匀模糊单幅图像。MT 方法在 GoPro 数据集上的表现优于现有的 MS 方法，且具有更少的参数。

Nov, 2019

本文提出一种盲图像超分辨率的新方法，使用重新构建的退化模型和两个新模块，通过对内核估计和内核基于高分辨率图像恢复的改进，实现更好的准确性和视觉改进，并在多个基准测试中进行了验证。

Feb, 2022

本文提出了 Laplacian Pyramid Super-Resolution Network 来逐步重建高分辨率图像的子带残差。我们的方法不需要双三次插值作为预处理步骤，从而大大减少了计算复杂度，并使用鲁棒的 Charbonnier 损失函数进行深度监督训练，取得了高质量的重建效果。我们的网络在一个前向传递过程中生成多尺度预测，从而有助于资源感知应用。在基准数据集上进行的广泛定量和定性评估表明，所提出的算法在速度和准确性方面优于现有技术方法。

Apr, 2017

使用多尺度双向传播的循环神经网络，提出一种解决视频去模糊的方案，并通过自行创建的真实世界数据集进行验证。

Dec, 2021

提出了一种基于交替迭代的收缩阈值的多尺度广义收缩阈值网络 (MGSTNet) 的学习框架用于改善遥感图像模糊问题，该框架在遥感图像数据集上的实验结果显示其优越性。

Sep, 2023