本研究提出了一个新的基于事件的去模糊方法，通过利用不同空间和时间尺度的运动模糊信息，构建了一个适应实际场景的多尺度网络，通过自我监督学习来提高准确性，并引入一个包含多尺度模糊帧和事件的真实世界数据集以促进事件驱动去模糊研究。

Aug, 2023

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

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

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

本论文提出了一种使用两个 GAN 模型的新方法，即学会如何模糊图像的深度学习模型和学习如何去模糊的深度学习模型，通过学习如何模糊图像来学习更好的图像去模糊模型，并使用相对论模糊损失来降低真实模糊与合成模糊之间的差异。实验表明，该方法在新提出的数据集和公共数据集上都取得了一致优越的定量性能和更高的感知质量。

Apr, 2020

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

本文提出了一种新颖的基于生成对抗网络（GAN）的深度滤波器，其与全局跳跃连接和密集结构相集成，以解决由于相机和物体之间的相对运动引起的运动模糊问题。在不需要进行模糊核估计的情况下，我们的模型显著减少了测试时间，证明了该方法在定量和定性上均胜过现有的盲去模糊算法，具有实际应用前景。

Sep, 2017

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

本文提出了一种基于三重编码器 - 解码器架构并具有人类感知去模糊模型，其将前景和背景的运动模糊进行解耦，并利用监督的人类感知注意机制来进一步提高效果，同时引入一个名为 HIDE 的大规模数据集。实验结果表明，该模型在去除运动模糊的语义细节方面表现出色。

Jan, 2020

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