本文提出了一种多尺度卷积神经网络模型，用于处理不同来源的模糊，通过使用自定义的大规模数据集训练该模型，实现了在动态场景去模糊方面的卓越性能。

Dec, 2016

本文介绍了一种基于图的盲图像去模糊算法，该算法通过将图像块解释为加权图上的信号来解决盲图像去模糊问题。该算法可通过稳健的滤波和尖锐度提升等优秀性能有效恢复出潜在的清晰图像，并在质量和数量上优于现有的方法。

Feb, 2018

本文提出基于Collaborative Learning的盲图像去模糊方法，通过引入Generator和Corrector两个模块，从数据驱动和基于知识的角度提取图像内在结构，可以严格证明其收敛于去模糊的最优解，同时在图像插值和边缘保持平滑等方面也表现出较高性能。

Jul, 2018

本文介绍了一种基于self-example prior和Multi-Scale Latent Structures的盲图像去模糊算法，该算法在图像金字塔上从粗到细地重建清晰图像，并利用快速本地自匹配、加速的核估计和快速非盲图像去模糊等方法来实现更低的计算复杂度。该算法在处理非均匀盲图像去模糊问题时表现出了竞争性的性能。

Jun, 2019

本文提出了两个生成网络分别为清晰图像和模糊核建模的深度先验，并提出了一种无约束神经优化解决盲解卷积问题的方法SelfDeblur，实验结果表明相较于现有的盲解卷积方法，SelfDeblur在定量和视觉上都取得了令人瞩目的成果。

Aug, 2019

在神经网络中使用分析网络和综合网络来解决盲图像去模糊问题，通过引入新的相关层并控制去模糊操作，可以实现在各种测试上的最新解模糊精度和主要运行时间的加速。

Apr, 2020

本篇论文提出了一种用于图像去模糊的简单而高效的算法，其通过预处理Richardson解算器，使用模糊核和自然图像先验核的近似逆滤波器，以卷积的形式代替通用的线性预处理器，可以实现图像间高效的参数共享；同时利用CNN嵌入学习预处理器与辅助变量的 proximal operator，进一步提高了算法的鲁棒性与准确性，使其成为非盲目图像去模糊领域中性能更出色的算法。

Jul, 2020

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

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

提出了一种基于单输入多输出（SIMO）的多尺度网络用于运动去模糊，简化了基于粗糙到精细方案的算法复杂性，并结合可学习的小波变换模块来减轻多尺度架构带来的细节信息恢复缺陷，该多尺度网络在多个真实去模糊数据集上表现出了最先进的主观和客观质量以及计算效率。

Dec, 2023