提出了一种基于 STFAN、FAC 层和重构网络的视频去模糊算法，该算法能够对存在空间变异的模糊进行对齐和去模糊，实验结果表明该算法在准确性、速度和模型大小等方面均超过当前最先进的方法。

Apr, 2019

本文提出了一种基于神经网络模型的多帧盲反卷积新方法，通过采用两种最近的图像去模糊技术并结合成单个神经网络结构的鉴别方法来进行图像去模糊，该混合架构结合了卷积核的显式预测和频域 Fourier 系数的非平凡平均值，为了充分利用爆发中所有图像中包含的信息，该网络嵌入较小的网络，可以在早期层中显式地允许模型在图像间传递信息，并使用一组人工生成的培训示例来进行端对端的训练，实现了多帧盲反卷积的竞争性能，既具有质量又具有运行时间。

Jul, 2016

使用 Image-Instance Full Alignment Networks（iFAN）方法，通过部分训练生成对抗域分类器，实现了多尺度特征的图像级别的对齐和深度语义信息与实例表示的实例级别的对齐，并将这种方法应用于物体检测中，取得了 SYN10K->Cityscapes 和 Cityscapes->Foggy Cityscapes 领域适应任务的 10%+AP 提升。

Mar, 2020

本文提出了一种新颖的基于反卷积核的单幅图像失焦去模糊的深度学习方法，通过核共享并引入多尺度注意力机制取得了比以前更好的效果。

Aug, 2021

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

我们描述了一种基于学习的盲图片去卷积的方法，该方法使用了深层次架构，部分来源于最近关于神经网络学习的工作，部分则包含了特定于图片去卷积的计算。该系统在一组人工生成的训练样例上进行端到端的训练，实现了在盲图片去卷积方面的竞争性表现，无论是在质量还是运行时间方面。

Jun, 2014

本文提出了一种新型深层次解除虚焦模糊网络，它通过使用光场技术生成高度准确的图像配对，并使用 Feat?ure loss 技术改善二次拍摄方法捕捉到的图像失焦，取得了在多个测试集上的良好表现。

Apr, 2022

该研究提出了一种用于处理动态场景运动去模糊的有效像素自适应和特征关注设计，并使用有效的内容感知全局 - 局部过滤器模块，通过动态利用相邻像素信息和全局依赖性来显著提高性能，从而 surpassed 其他先前的去模糊方法。

Apr, 2020

我们提出了一种有效的深度学习方法，通过进一步探索反核函数的性质来进行单幅图像的缺陷消除（SIDD）。我们的方法建立在反核函数的重要观察基础上，即连续使用固定大小的反核函数解卷积有助于去除意外的大模糊，但会产生振铃伪影。通过在模拟多尺度反核函数的基础上，我们的方法通过递归堆叠空洞卷积来模拟大的反核函数，并添加了残差解卷积来减轻振铃伪影。我们还嵌入了一个尺度重复模块以逐步去除空间变化的模糊效果，实验结果表明我们的方法达到了最先进的性能。

Jul, 2023

基于 Isidoro，Romano 和 Milanfar 引入的 RAISR 算法，我们提出了一种扩展的快速准确图像超分辨率算法，用于去除失焦模糊，并定义了一个与图像感知质量相一致的锐度质量度量。此外，我们提出了一种基于资产分配管理的度量融合策略，与流行的去模糊方法相比，我们的方法平均 PSNR 增加约 13％，SSIM 增加约 10％，同时我们的融合方案减少了恢复后的环状伪影。

Jun, 2024