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
本文提出了一种端到端学习框架，利用真实世界的事件减轻数据不一致性造成的性能下降，在光流的帮助下利用模糊一致性和亮度一致性实现了自监督，提出了分段线性运动模型以考虑运动的非线性，加强了对真实场景中运动模糊形成的准确建模，并在合成和真实运动模糊数据集上进行充分评估，显示了在真实世界情境中差距较大的模拟和真实运动模糊之间的良好表现。
Sep, 2021
该研究探讨了如何利用事件相机和模糊图像进行光流估计，提出了一种基于事件相机和模糊图像的光流估计算法，并通过实验验证了该算法的优越性。
Apr, 2020
提出了一种基于双向光流的能量模型，用于处理动态场景中的模糊视频，从而实现去模糊与准确光流估计。
Jul, 2015
本文提出一种使用深度学习从数据中学习先验的方法来消除运动模糊，通过学习运动流代替复杂的先验模型，使用全卷积神经网络从运动模糊图像中直接估计运动流并恢复图像，通过在合成运动流图像对上训练，绕过了手动标注的流程，实际测试中优于现有方法。
Dec, 2016
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
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
本文介绍了一种从真实图片中快速生成大量准确的光流标注的框架，该框架利用单目深度估计网络构建可能的点云，通过虚拟相机运动合成新视角和对应的光流场，实现对现有数据的有效利用，并提高了视觉光流网络在真实场景中的泛化和特化性能。
本文旨在研究一种基于端到端的监督学习方法，用于提高光流估计领域中的准确性和实时性，并首次比较了多种策略和技术来准确估计局部不确定性，同时介绍了一种新的使用 Winner-Takes-All loss 的网络架构，显示它可以有效地提供互补的假设和不确定性估计，并且质量明显高于以往的光流置信度测量。
Feb, 2018
本文提出一种基于无监督学习的预测 - 校正方案，通过 PDE 约束的光学流预测器给出速度场的估计，并通过基于物理的校正器进行精细化处理，取得了比光学流方法更好的效果，在基准数据集上表现出与现有监督学习方法具有竞争力的结果。
Jun, 2022