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

本论文针对基于 egomotion 的模糊图像在目标检测中的困难，探讨了图片去模糊、纹理多尺度处理、标签生成、针对运动模糊的条件处理等五种方法，发现自定义标签生成能明显提高目标检测的效果，同时针对特定类型的运动模糊训练模型也能获得显著提高。通过在 COCO 数据集和真实世界数据集上实验，最终得到了一个易于实现并且具有优秀检测率的模型。

Nov, 2020

本研究提出了一种基于课程学习的深度学习模型，可有效处理被遮挡的医学图像，通过引入逐步递增的遮挡，模型可先掌握简单的图案再建立对更复杂遮挡情况的理解，并且所提出的三种遮挡综合方法证明了在医学图像的诊断精度和鲁棒性上相较于传统训练方法的明显提高。

Jun, 2023

本文研究了基于课程学习方式的单目视觉里程计估计问题，提出了一种新的几何感知的目标函数来同时优化相对和复合变换，然后通过级联光流网络和循环网络来学习该目标，在三个真实数据集上的表现优于现有的基于特征和基于学习的视觉里程估计算法。

Mar, 2019

我们提出了一种在受到运动模糊影响的图像中进行物体检索的方法，并通过学习鲁棒的表达方式，能够匹配模糊物体与其去模糊版本，我们还提供了首个大规模模糊物体检索数据集，并在多个实验中验证了我们的方法优于现有方法。

Apr, 2024

本文提出了一种端到端的学习框架，其中使用深度卷积网络实现了将前景 / 背景标签分配给所有像素的结构化预测，在无需看到训练期间未曾见过的物体类别的情况下生成了像素级的前景对象分割，并在 ImageNet 和 MIT ObjectDiscovery 数据集上显著改善了前景分割的最新技术成果。我们最后展示了该方法如何使图像检索和图像重排具备更好的应用前景图。

Jan, 2017

通过图像转换模拟在周边视觉中模糊图像并降低颜色饱和度，研究表明，相比于原始图像，使用该转换的深度神经网络对于敌对攻击以及其他非敌对损坏具有更强的鲁棒性，对扰动数据的准确性高出 25%。

Aug, 2023

提出了一种新的方法，通过逐步生成整个布局描述来改善物体间的依赖关系，从而生成高质量的中间布局和最终图像，提高了布局覆盖率近 20 个百分点，减少了物体之间的重叠到可忽略的程度。

Sep, 2020

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