深度图像去模糊：综述
深度神经网络在图像去模糊领域取得了重大突破，本文综述了盲目和非盲目图像去模糊中最流行的深度神经网络结构、性能指标和广泛使用的数据集，并讨论了该领域的当前挑战和研究空白，提出了未来研究的潜在方向。
Oct, 2023
本文综述了近六年来深度学习在盲运动去模糊中的应用，包括数据集、评估指标和方法的全面概述。通过对不同基本网络的分类和总结，详细探讨了它们的优点和局限性，并进行了最新方法的定性和定量实验结果比较。最后，针对现有挑战和未来路径进行了分析。
Jan, 2024
本文提出了一种通过深度卷积神经网络 (CNN) 利用语义线索来实现有效和高效的人脸去模糊算法。该算法通过全局语义先验作为输入，并在多尺度深度 CNN 中施加局部结构损失来规范输出，以训练具有感知和对抗性损失的神经网络，生成逼真的人脸去模糊结果，评估表明该算法在人脸去模糊的质量、人脸识别和执行速度方面表现良好。
Mar, 2018
本文提出了一种基于领域特定的方法来解决人脸去模糊问题，使用深度网络和人脸对齐来处理每张图片，并采用了有效的方法生成了超过 2 百万帧的数据集，实验显示该方法在真实世界的人脸去模糊任务中取得了接近于高清自然图片的效果。
Apr, 2017
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
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
本文提出了几种方法来提高基于深度学习的图像去模糊的稳定性，包括使用小型神经模型和引入预处理步骤。数值实验证实了这些方法的精度和稳定性，尤其是基于模型的框架在视觉精度和鲁棒性之间提供了最可靠的平衡。
May, 2023
我们提出了一种快速有效的一步恢复模糊人脸图像的方法，该方法基于卷积神经网络，可以处理各种大小的人脸图像，加入了光滑正则化和面部正则化来保持面部身份信息，取得了最先进的效果和提高了 100 倍的运行速度，并在人脸识别精度上有显著提高。
Nov, 2017
本文探讨使用模糊图像的语义视觉任务中对基于卷积神经网络的模型的影响以及如何通过对预训练模型进行微调并加入模糊图像进行训练来提高模型精度，发现模型在隐藏层中学习生成模糊不变表示并且具有很强的模糊泛化能力，为开发实现在受模糊影响的实际世界图像上可靠操作的视觉系统提供有用的见解。
Nov, 2016