使用惯性测量单元数据，本文提出了一个简单而高效的框架来合成和恢复运动模糊图像，包括训练三元组的生成策略和用于恢复模糊图像的陀螺仪辅助运动去模糊网络。通过全面实验证明了该框架的优点：我们的合成和真实世界模糊轨迹之间仅有两个像素的误差，对于峰值信噪比，与最先进的去模糊方法 MIMO 相比，有明显的改善（约提高 33.17%）。

Feb, 2024

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

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

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

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

提出了一种使用地面真实数据学习陀螺仪去噪、实时估计机器人导航（定位）方向的方法，基于扩张卷积神经网络，通过识别高频惯性数据的关键点以及在方向增量上采用适当的损失函数的方式，该算法超越了现有技术在看不见的测试数据上的性能表现。此策略为惯性测量单位上的学习法提供了新思路。

Feb, 2020

本文提出了一种基于卷积神经网络的深度门控融合模型来实现含运动模糊的图像超分辨率重建，并通过将特征提取步骤拆分成两个独立任务的设计来增强模型的训练效果并提升图像分辨率预测结果。实验结果表明，该模型能够高效生成清晰的超分辨图像。

Jul, 2018

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

本研究提出了使用深度神经网络结构 DeblurRNN 和 DeblurMerger 分别以序列和并行的方式利用成对图像中的噪声 / 模糊信息进行去模糊。使用梯度损失、对抗损失和谱归一化来提高训练。经过对合成数据集 GOPRO 和真实图像对的评估，结果表明所提出的方法在定性和定量上均优于现有技术。

Nov, 2019