本文提出一种新的视频去模糊方法，利用特征空间中的模糊帧学习空间对应关系，通过构建像素之间的相关性体金字塔来构建远程像素对应，使用相关聚合模块最大化邻居与参考帧的像素对相关性来增强参考帧特征，然后将聚合后的特征馈入重构模块以获取恢复的帧。我们设计了一种生成对抗法来逐步优化模型，对广泛采用的 DVR 数据集和一个新收集的高帧速 (1000 fps) 视频去模糊数据集进行了评估。定量和定性实验显示，我们的模型在两个数据集上均表现比先前最先进的方法更好，证明了模型所有范围空间对应关系对于视频去模糊的好处。

Mar, 2021

提出了一种基于运动大小先验的深度学习视频去模糊技术，通过检测每一帧的像素级模糊程度，结合清晰帧区域的信息，生成像素运动大小先验，进而利用时空信息进行去模糊处理，实验结果表明该方法的有效性。

Jul, 2022

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

本文针对视频模糊问题，提出了一种基于语义分割，利用不同的运动模型来指导光流估计，并考虑了像素级别的非线性模糊核模型，能够更好地描述复杂的运动模糊，并且在对抗其他先进方法的实验中表现良好。

Aug, 2017

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

该研究提出了一种 PRiOr 启发的、适用于具有挑战性的模糊的 MOTION-robust 视频去模糊模型 (PROMOTION), 其中使用 3D 群卷积来有效编码异质先验信息，增强场景感知，同时减少输出的伪影，并设计表示模糊分布的先验，以更好地在时空域中处理非均匀模糊。经过大量实验证明，该方法可以在 RED 和 GoPro 数据集上实现最先进的性能，并带来机器任务收益。

Mar, 2020

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

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