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

提出了一种用于多摄像头智能手机的模糊处理框架，利用混合成像技术，通过同时捕捉来自智能手机的长曝光广角图像和超广角连拍图像，并使用清晰的连拍图像估计模糊核进行广角图像的去模糊处理。使用创建的 HCBlur 数据集进行网络的学习和评估，该数据集包含模糊的广角图像、清晰的超广角连拍图像以及它们的清晰广角图像对应物。通过广泛的评估，结果显示出了现有技术的高质量。

Dec, 2023

本文提出了一种无监督单图像去模糊方法，基于解缠表示学习，使用内容编码器和模糊编码器来分离模糊图像中的内容和模糊特征，并通过 KL 散度损失函数来规范提取的模糊属性的分布范围，同时添加模糊分支和循环一致性损失来处理不成对的训练数据，生成视觉逼真的图像；并基于合成数据集和真实图像进行了广泛实验，得到了优于最新的去模糊方法的结果。

Mar, 2019

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

通过使用卷积网络架构和野外实拍数据集，文章提出了一种用于图像去模糊的方法，达到了最先进的性能并解决了复杂背景下的物体遮挡问题。

Jan, 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

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

该论文综述了基于深度学习的图像去模糊方法，包括问题的起源、数据集、性能度量、方法分类、应用及挑战与未来方向。

Jan, 2022

利用卷积神经网络协同处理不同模糊下的图像补偿，以提高图像清晰度和质量。

May, 2023