- 基于字典的去除失焦模糊方法
基于 Isidoro，Romano 和 Milanfar 引入的 RAISR 算法，我们提出了一种扩展的快速准确图像超分辨率算法，用于去除失焦模糊，并定义了一个与图像感知质量相一致的锐度质量度量。此外，我们提出了一种基于资产分配管理的度量融 - AdaRevD: 自适应图像去模糊技术中推动可逆解码极限的改进补丁退出方法
本篇论文介绍了 AdaRevD 方法，通过继承已经训练好的编码器的权重，重新设计了可逆解码器，用于提升图像去模糊的效果，解决了现有方法解码能力的限制，并通过逐渐分离高级退化程度和低级模糊模式来提高模型的性能。同时，通过引入分类器来学习图像块 - 高效的图像去模糊视觉状态空间模型
本文提出了一种简单而有效的视觉状态空间模型（EVSSM）用于图像去模糊，在图像恢复任务中，相比卷积神经网络（CNNs）和视觉 Transformer（ViTs），EVSSM 相对于其它方法在基准数据集和真实捕捉的图像上表现出色。
- Mansformer：用于图像去模糊及其它任务的高效混合注意力转换器
我们提出了 Mansformer，它是一种结合了多种自注意力、门控和多层感知的混合加权 Transformer，通过对张量形状和维度进行精心调整，将典型的二次复杂度自注意力分解成四次线性复杂度操作，并利用类似 Squeeze-and-Exc - 展翅高飞：一种用于图像去模糊的辐射带变形器
探索运动信息在运动去模糊任务中的重要性，最近基于窗口的 Transformer 方法在图像去模糊中取得了不错的性能。然而，这些方法只是在笛卡尔坐标系中直接探索平移运动，而无法建模旋转部分，因此我们引入了基于极坐标的 Transformer - 通过选择性状态空间模型汇聚局部和全局特征用于高效图像去模糊
提出了一种高效的图像去模糊网络，利用选择性结构化状态空间模型来聚合丰富准确的特征，同时注重图像的局部细节以进行恢复，实验结果表明该方法在广泛使用的基准测试中优于现有方法，显示出其卓越的性能。
- 使用无雅各比传递正向传播训练隐式网络进行图像去模糊
通过在图像去模糊问题的背景下探索最近提出的无雅可比反向传播（Jacobian-free Backpropagation，JFB）方法，本文展示了 JFB 在减少计算成本方面与优化方案、最先进的前馈网络以及现有的隐式网络具有可比性。
- CoordGate: 在卷积神经网络中高效地计算空间变化卷积
Optical imaging systems often face limitations in resolution due to the point spread function, but CoordGate, a lightwei - ID-Blau：基于隐式扩散的模糊图像去模糊增强
提出了一种基于隐式扩散的重新模糊增强方法（ID-Blau），利用锐利图像与可控模糊条件图相结合生成对应的模糊图像，通过采样多样的模糊条件，ID-Blau 能够生成训练集中未见的各种真实模糊图像，从而显著提高最先进的去模糊模型的性能。
- 使用 GAN 进行图像去模糊
该研究论文中介绍了深度生成模型在图像去模糊中的应用，通过利用生成对抗网络以及对抗学习框架，成功地生成了清晰度更高的图像，解决了图像模糊所带来的挑战，并在实际应用中产生了明显的效果。
- EventAid: 使用真实采集的混合数据集对事件辅助图像 / 视频增强算法进行基准测试
该论文聚焦于五项基于事件影像的图像 / 视频增强任务，并提供了不同事件属性的分析、真实采集的数据集、最先进方法的统一评估以及两种主流事件模拟器的评估。论文详细介绍了 EventAid 数据集，包括场景多样性和时空同步，进行了定量和视觉比较， - 深度神经图像去模糊的综合调查
深度神经网络在图像去模糊领域取得了重大突破，本文综述了盲目和非盲目图像去模糊中最流行的深度神经网络结构、性能指标和广泛使用的数据集，并讨论了该领域的当前挑战和研究空白，提出了未来研究的潜在方向。
- 插入并使用后验抽样在不匹配测量和先验模型下
插入和播放未调整的 Langevin 算法（PnP-ULA）是一种有前景的方法，通过使用图像去噪器来结合物理测量模型和深度学习的先验，在贝叶斯逆问题的求解中用于蒙特卡罗采样和最小均方误差估计。在本文中，我们提出了一个后验 - L2 伪度量， - SAM-Deblur: 让分割任意事物提升图像去模糊
提出 SAM-Deblur 框架，首次将 Segment Anything Model（SAM）的先验知识融入图像去模糊任务，通过预处理、生成结构先验和融合特征等三个阶段，在 RealBlurJ、ReloBlur 和 REDS 数据集上改进 - 快速扩散 EM：用于盲反问题的扩散模型及其在去卷积中的应用
使用扩散模型解决逆问题是一个增长迅速的研究领域。我们设计了一种基于期望最大化（EM）估计方法和扩散模型的算法，通过近似计算扩散模型的样本绘制的逆问题的期望对数似然，以及最大化步骤来估计未知的模型参数。我们还引入了一种基于 Plug & Pl - PNN：从近端算法到鲁棒展开图像去噪网络和即插即用方法
在这篇文章中，我们提出了一个统一的框架来构建用于高斯降噪任务的近端神经网络（PNNs），该框架基于双重 - 投影算法和原 - 对偶 Chambolle-Pock 算法。我们还展示了这些算法的加速惯性版本如何在关联的神经网络层中实现跳跃连接。 - 基于参考图的运动模糊去除：学习如何利用参考图像的锐度
使用多个图像进行去模糊处理的新方法，通过匹配目标图像和参考图像的局部块并融合其特征来估计清晰图像，实验证明了该方法的有效性。
- 自适应窗口修剪用于高效局部运动去模糊
本文提出了一种基于自适应窗口修剪变换器块的局部运动去模糊视觉变换器（LMD-ViT）方法，该方法通过训练过程中的重构损失和基于注释的模糊掩模的修剪损失来预测模糊置信度，并将其应用于剪枝操作中，以消除局部运动模糊而不失真锐利区域，并显著减少计 - 基于深度学习算子求解成像反问题中的歧义性
本文提出了几种方法来提高基于深度学习的图像去模糊的稳定性，包括使用小型神经模型和引入预处理步骤。数值实验证实了这些方法的精度和稳定性，尤其是基于模型的框架在视觉精度和鲁棒性之间提供了最可靠的平衡。
- 逼真图像去模糊的分层集成扩散模型
为了提高图像去模糊的速度和精确度，本文提出了一种基于分层积分的扩散模型 (HI-Diff)，利用高度压缩的潜空间进行去模糊并结合多尺度的回归方法，从而实现在复杂情景下的更好的泛化效果，实验表明 HI-Diff 在合成数据集和实际场景中均优于