本文对图像去模糊技术的最新发展，包括非盲目/盲目、空间不变/变异去模糊技术进行了综述，通过分析现有方法如何处理去模糊任务中的病态问题，将现有方法分为五类：贝叶斯推断框架、变分方法、稀疏表示方法、单应性建模和区域方法。虽然这些方法已经取得了一定的发展，但是图像去模糊，特别是盲目情况下，受到复杂的应用条件的限制，使得模糊核很难获取。本文针对这一问题进行了系统的综述，并提出了未来的发展方向。

Sep, 2014

本文提出了一种基于数据驱动的判别性先验的有效盲图像去模糊方法，通过深度卷积神经网络学习得到的固定分类器可以帮助在不同场景下的图像去模糊，同时使用半二次分离法和梯度下降算法解决非线性问题。

Mar, 2018

本文介绍了一种基于self-example prior和Multi-Scale Latent Structures的盲图像去模糊算法，该算法在图像金字塔上从粗到细地重建清晰图像，并利用快速本地自匹配、加速的核估计和快速非盲图像去模糊等方法来实现更低的计算复杂度。该算法在处理非均匀盲图像去模糊问题时表现出了竞争性的性能。

Jun, 2019

在神经网络中使用分析网络和综合网络来解决盲图像去模糊问题，通过引入新的相关层并控制去模糊操作，可以实现在各种测试上的最新解模糊精度和主要运行时间的加速。

Apr, 2020

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

本文提出一种将清晰模糊图像对数据集中的模糊算子编码到模糊核空间中，并使用交替优化算法进行盲目图像去模糊的方法，该方法不同于基于深度学习的方法，可以处理未见过的模糊核，同时避免使用常见于经典方法中的复杂的手工先验模糊算子。此外，所设计的编码核空间具有完全可微性，可以轻松地应用于深度神经网络模型中，并可用于模糊合成。最后，我们提供了实验结果来证明所提出方法的有效性。

Apr, 2021

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

利用卷积神经网络协同处理不同模糊下的图像补偿，以提高图像清晰度和质量。

May, 2023

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

该研究针对盲图像去模糊中模糊核未知的问题，提出了一种自监督的多尺度去模糊方法，通过交替优化共同估计潜在图像和模糊核。研究显示该方法有效避免了传统优化方法中的复杂计算过程，特别在处理大型和真实世界模糊时表现出色。

Sep, 2024