该论文提出了一种使用深度生成网络作为先验进行盲图像去卷积（盲去模糊）的新方法，通过使用两个单独的生成模型以及卷积网络，我们提出了一种交替梯度下降方案，可在较大的模糊和噪声下获得有希望的去模糊结果，最终在更加多样化的自然图像数据集上获得了扩展应用。

Feb, 2018

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

本篇论文提出了一种用于图像去模糊的简单而高效的算法，其通过预处理 Richardson 解算器，使用模糊核和自然图像先验核的近似逆滤波器，以卷积的形式代替通用的线性预处理器，可以实现图像间高效的参数共享；同时利用 CNN 嵌入学习预处理器与辅助变量的 proximal operator，进一步提高了算法的鲁棒性与准确性，使其成为非盲目图像去模糊领域中性能更出色的算法。

Jul, 2020

本篇论文旨在通过变量分裂技术将快速鉴别式去噪模块插入基于模型的优化，实现解决逆问题的目的，并着重于训练一组快速有效的卷积神经网络去噪器以及将其融合到模型优化中，以便更好地应对各种相关低级视觉应用，实验结果表明，学习到的去噪器不仅在高斯去噪方面效果显著，而且可以作为先验信息，在各种低级视觉任务中也取得了良好的性能表现。

Apr, 2017

本文提出了一种基于领域对齐的有效图像去噪方法，该方法学习了两个图像先验知识，其中特征级先验用于学习对抗训练中的不同噪声水平下对抗特征，像素级先验则用于推动去噪图像到自然图像流形。结果表明，该方法有效地提高了合成和真实噪声图像的去噪能力，并可以用于盲去噪任务以及提高感知质量。

Jun, 2019

提出了一种具有半盲视觉效果的无监督图像去模糊算法，利用定制且未经训练的深度神经网络提出一种数据集自由的深度残差先验方法来解决内核误差的挑战，通过交替极小化算法对模型进行优化，该方法相比数据驱动和模型驱动方法具有更高的图像质量和内核误差鲁棒性。

Oct, 2022

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

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

深度神经网络在图像去模糊领域取得了重大突破，本文综述了盲目和非盲目图像去模糊中最流行的深度神经网络结构、性能指标和广泛使用的数据集，并讨论了该领域的当前挑战和研究空白，提出了未来研究的潜在方向。

Oct, 2023

本文提出了一种全卷积网络用于迭代非盲去卷积，通过将非盲去卷积问题分解成图像去噪和图像去卷积，训练 FCNN 在梯度域中消除噪声，并使用学习到的梯度来引导图像去卷积步骤，可以迭代地去模糊图像，能够学习自适应的图像先验，保持局部（细节）和全局（结构）信息，经过基准数据集的定量和定性评估表明，所提出的方法在质量和速度方面表现优异，可胜任同类算法。

Nov, 2016