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

通过在频域进行学习和频道选择，我们提出了减少冗余和显著信息以提高图像分类精度的学习方法，得出使用该方法的 ResNet-50、MobileNetV2 和 Mask R-CNN 在图像分类和实例分割上表现更好的结论。

Feb, 2020

本文介绍了一种基于频域卷积定理的神经网络用于图像超分辨率，该网络采用 Hartley 变换作为替代傅里叶变换消除复数，具有很高的计算效率，并能适用于在计算机视觉和图像处理等其他领域中通常使用频域表示的问题。实验证明，该网络比文献中其他替代品的速度快 1 到 2 个数量级，性能损失微不足道。

Dec, 2017

本文提出了一种基于自相关的相位图像的频域方法，直接从运动模式中提取高质量的模糊核，在加入对模糊核和潜在图像的正则化约束下，优化求解模糊核和清晰图像的问题，从而实现图像去模糊。此方法可处理空间变化和非均匀模糊，并在合成和真实数据上得到了良好的结果。

Nov, 2018

通过在关键位置上放置不可训练的模糊滤波器和使用平稳激活函数来缓解频率混叠现象，这些简单的架构更改在图像分类和识别上产生了显著的提高，并且没有引入额外的可训练参数。

Nov, 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

研究了一种使用神经网络进行盲运动去模糊的新方法，该网络通过学习预测一个去卷积滤波器的复傅里叶系数来计算从未知运动核产生的模糊图像。该方法在 GPU 硬件上的并行性能优异，并且展现出接近现有最先进迭代方法的精度和鲁棒性。

Mar, 2016

该研究提出一种通过机器学习和离散频率变换来评估由于图像压缩等原因导致的图像质量问题的方法。该方法可以处理包括图块、模糊和噪声等在内的多种视觉信息失真，并且相对于其他方法具有更快的处理速度，适用于实时质量监控应用。

Mar, 2023

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

通过使用四维可视化技术，本文探讨了在频域下分析 ConvNets 内部过程的可能性，研究了 ConvNets 对噪声的稳定性，并发现利用加入噪声的训练集来微调 ConvNets 可以提高其稳定性。

Nov, 2015