该论文介绍了一种基于编码器 - 解码器结构的视频清晰化方法，通过将视频序列和运动因素作为潜在因素，将单个模糊图像作为观察值，设计了一种损失函数和正则化器，经过大量实验验证了该方法的有效性和可转移性。

Apr, 2021

本文提出了一种从单张运动模糊图像中提取视频序列的方法，使用深度学习方案逐步重构时间排序。该方法可以成功地从单张运动模糊的图像中检索到清晰的图像序列，可以在不同的相机捕捉到的合成和真实数据集上很好地推广。

Apr, 2018

本文介绍了一种使用神经网络的实时视频去模糊技术，将多个连续模糊的图像传递信息给递归神经网络来还原所需的清晰图像或视频。

Aug, 2017

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事件相机的深度学习方法，通过卷积循环神经网络和可微分方向事件过滤模块整合全局和局部尺度的视觉和时态知识，提取边界先验信息，从而达到了恢复运动模糊图像的最佳质量，适用于真实世界的运动模糊问题。

Apr, 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

通过使用卷积网络架构和野外实拍数据集，文章提出了一种用于图像去模糊的方法，达到了最先进的性能并解决了复杂背景下的物体遮挡问题。

Jan, 2017

本文提出一种基于深度学习的视频去模糊算法，利用卷积神经网络从相邻帧中积累信息，可处理各类由于相机抖动导致的运动模糊问题。

Nov, 2016

该研究提出了一种基于事件感知的运动去模糊和帧插值的统一框架，该框架使用事件的超低延迟来缓解运动模糊并实现中间帧预测，后者可通过可学习的双重积分网络和融合网络实现。借助相邻模糊输入和同时发生的事件的信息，进一步提出了自监督学习框架，以实现对真实世界模糊视频和事件的网络训练。大量实验结果表明，该方法在合成和真实世界数据集上均取得了显著的性能优势，是一种有效的去模糊技术方案。

Mar, 2022

本文通过神经网络和线性预测技术，提出了一种技术，可以从一对连续拍摄的图像中合成运动模糊图像。作者还利用了帧内插技术生成了大规模的合成数据集，并从慢动作视频中捕获了高质量的测试集。实验结果显示，本文提出的模型在精度和速度上均优于基线技术。

Nov, 2018