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

通过使用模糊不变的运动估计和像素体积来有效聚合多个视频帧的信息以消除视频模糊，本文提出了一种有效的循环视频去模糊网络，与最近使用深度学习的方法相比，在定量和定性方面均取得了最先进的性能。

Aug, 2021

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

该研究提出了一种高效的盲恢复方法，利用基于梯度分布的图像模糊估计算法并结合多次应用来去除自然图像中的轻微模糊，取得了比传统和现代盲去模糊方法更好的效果，可以在现代手机上以秒为单位的时间内对 12MP 图像进行模糊校正，为应用深度超分辨率技术提供了更优的图像处理前处理。

Dec, 2020

基于深度学习的运动模糊估计与非盲解卷积方法的学习式去模糊提供了使用前向退化模型的明确定义规范，同时实现了算法的泛化和可解释性，并通过基于卷积的非均匀运动模糊降级模型进行训练和评估，展示了准确的模糊估计以及优于现有端到端深度学习方法的真实模糊图像恢复效果。

Aug, 2023

本文针对视频模糊问题，提出了一种基于语义分割，利用不同的运动模型来指导光流估计，并考虑了像素级别的非线性模糊核模型，能够更好地描述复杂的运动模糊，并且在对抗其他先进方法的实验中表现良好。

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

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