Video shutter angle estimation using optical flow and linear blur
Faculty of Electrical Engineering（电气工程学院）；Czech Technical University in Prague（布拉格捷克技术大学）
本研究提出一种利用光流、线性运动模糊关系及可靠块一致性校验的视频快门角度估计方法，在公开数据集上取得0.039的最佳平均绝对误差，可用于视频删插帧篡改取证检测。
2024-04-17 cs.CV
From Motion Blur to Motion Flow: a Deep Learning Solution for Removing Heterogeneous Motion Blur
The University of Adelaide（阿德莱德大学）；Northwestern Polytechnical University（西北工业大学）
由于问题的不适定性质，去除逐像素异构运动模糊是具有挑战性的。主要的解决方案是通过添加先验来估计模糊核，但是关于该主题的大量文献表明，难以识别适当信息量和一般性的先验。我们建议从数据中学习先验，而不是基于理论强加先验。学习潜像的先验知识需要对所有可能的图像内容进行建模。因此，支撑我们方法的关键观察是，学习运动流反而允许模型专注于模糊的原因，而不管图像内容如何。这是一个更容易的学习任务，但它也避免了迭代过程，通过该过程，潜像先验通常被应用。我们的方法通过全卷积深度神经网络（FCN）直接从模糊图像中估计运动流，并从估计的运动流中恢复未模糊图像。我们的FCN是第一个通用的端到端的映射，从模糊的图像到密集的运动流。为了训练FCN，我们模拟运动流以生成合成模糊图像运动流对，从而避免了对人类标记的需要。对具有挑战性的真实模糊图像的大量实验表明，该方法优于国家的最先进的。
2016-12-08 cs.CV
Learning a Convolutional Neural Network for Non-uniform Motion Blur Removal
Xi’an Jiaotong University（西安交通大学）；École Normale Supérieure / PSL Research University（巴黎高等师范学院/PSL研究大学）
在本文中，我们解决的问题，估计和消除非均匀运动模糊从一个单一的模糊图像。我们提出了一种深度学习方法，使用卷积神经网络（CNN）在补丁级别预测运动模糊的概率分布。我们使用精心设计的图像旋转进一步扩展了由CNN预测的运动内核的候选集。马尔可夫随机场模型，然后用来推断一个密集的非均匀的运动模糊场强制运动平滑。最后，利用块级图像先验的非均匀去模糊模型去除运动模糊。实验结果表明，我们的方法可以有效地估计和消除复杂的非均匀运动模糊，是没有处理好以前的方法。
2015-04-12 cs.CV
Depth-Aware Image Compositing Model for Parallax Camera Motion Blur
Tampere University（坦佩雷大学）
相机运动由于3D世界中的深度变化而引入空间变化的模糊。这项工作调查场景配置，这种模糊视差相机运动下产生的。我们提出了一个简单的，但准确的，图像合成模糊（ICB）模型的深度相关的空间变化模糊。（前向）模型从单个图像、深度图和相机轨迹产生逼真的运动模糊。此外，我们利用ICB模型，结合基于坐标的MLP，从模糊输入中学习清晰的神经表示。实验结果报告合成和真实的例子。结果表明，ICB正演模型计算效率高，产生逼真的模糊，尽管缺乏遮挡信息。此外，我们的方法恢复一个尖锐的表示证明是一个有竞争力的方法去模糊的任务。
2023-03-30 cs.CV
From Sharp to Blur: Unsupervised Domain Adaptation for 2D Human Pose Estimation Under Extreme Motion Blur Using Event Cameras
KAIST（韩国科学技术院）
针对运动模糊导致人体姿态估计性能下降的问题，提出利用事件相机的无监督域适应方法，结合事件增强生成运动感知模糊图像与学生-教师伪标签迭代框架，实现目标域无标注下的鲁棒姿态估计。
2025-07-30 cs.CV
Animation from Blur: Multi-modal Blur Decomposition with Motion Guidance
The University of Tokyo（东京大学）；National Institute of Informatics（国立信息学研究所）；Microsoft Research Asia（微软亚洲研究院）
我们研究了从单个运动模糊图像中恢复详细运动的挑战性问题。这个问题的现有解决方案估计单个图像序列，而不考虑每个区域的运动模糊性。因此，结果趋于收敛到多模态可能性的平均值。在本文中，我们明确地考虑到这种运动模糊性，使我们能够生成多个合理的解决方案，所有的尖锐的细节。其关键思想是引入一个运动指导表示，这是一个紧凑的量化的二维光流只有四个离散的运动方向。在运动导引的条件下，通过一种新的两级分解网络，将模糊分解引向一个特定的、无模糊的解。我们提出了一个统一的模糊分解框架，它支持各种接口，用于生成我们的运动指导，包括人类输入，来自相邻视频帧的运动信息，以及从视频数据集学习。在合成数据集和真实数据上的大量实验表明，所提出的框架在定性和定量上优于以前的方法，并且还提供了产生物理上合理和多样化的解决方案的优点。代码可在https://github.com/zzh-tech/Animation-from-Blur上获得。
2022-07-20 cs.CV
Parametric Object Motion from Blur
Department of Computer Science, TU Darmstadt（达姆施塔特工业大学计算机科学系）
运动模糊会对许多视觉任务产生不利影响，因此通常被认为是一种滋扰。相反，我们将运动模糊视为一个有用的信号，可以从单个图像中计算对象的运动。借鉴成功的联合分割和参数运动模型的背景下，光流估计，我们提出了一个参数化的对象运动模型相结合的分割掩模，利用本地化，非均匀运动模糊。我们的参数图像形成模型是可微的w.r.t.的运动参数，这使我们能够概括的边缘似然技术，从均匀盲去模糊本地化，非均匀模糊。一个两阶段的管道，首先在导数空间，然后在图像空间，允许估计参数对象运动以及运动分割从一个单一的图像。我们的实验表明，它的能力，以应付非常具有挑战性的情况下，对象运动模糊。
2016-04-20 cs.CV
A Constrained Deformable Convolutional Network for Efficient Single Image Dynamic Scene Blind Deblurring with Spatially-Variant Motion Blur Kernels Estimation
Chongqing University of Posts and Telecommunications（重庆邮电大学）；Chongqing University（重庆大学）
现有的基于深度学习的单幅图像动态场景盲去模糊（SIDSBD）方法通常设计深度网络直接从一幅输入的运动模糊图像中去除空间变化的运动模糊，而不进行模糊核估计。受投影运动路径模糊（PMPB）模型和可变形卷积的启发，提出了一种新的约束可变形卷积网络（CDCN），用于有效的单幅图像动态场景盲去模糊，同时实现了精确的空变运动模糊核估计和高质量的运动模糊图像复原。在我们提出的CDCN中，我们首先构建了一个新的多尺度多级多输入多输出（MSML-MIMO）编码器-解码器架构，以获得更强大的特征提取能力。其次，与DLVBD方法使用多帧连续图像不同，提出了一种新的约束可变形卷积再模糊（CDCR）策略，该策略首先对输入的单幅运动模糊图像的模糊特征进行可变形卷积，以学习每个像素的运动模糊核的采样点，其类似于PMPB模型中相机抖动的运动密度函数的估计，然后提出一种新的基于PMPB的再模糊损失函数来约束学习的采样点收敛，可以使学习的采样点与各像素的相对运动轨迹更好地匹配，提高空变运动模糊核估计的准确性。
2022-08-23 cs.CV
Exposure Trajectory Recovery from Motion Blur
University of Sydney（悉尼大学）；Birkbeck College（伯贝克学院）
动态场景中的运动模糊是一个重要而又具有挑战性的研究课题。最近，深度学习方法在动态场景去模糊方面取得了令人印象深刻的性能。然而，包含在模糊图像中的运动信息尚未被充分探索和准确地公式化，因为：（i）难以获得动态运动的地面实况;（ii）在曝光期间时间排序被破坏;以及（iii）来自模糊图像的运动估计是高度不适定的。通过重新审视相机曝光的原理，运动模糊可以通过清晰内容相对于每个曝光位置的相对运动来描述。在本文中，我们定义了曝光轨迹，它表示包含在一个模糊的图像的运动信息，并解释了运动模糊的原因。提出了一种新的运动偏移估计框架，用于对潜在清晰图像在多个时间点的像素位移进行建模。在温和的约束条件下，我们的方法可以恢复密集的，（非）线性的曝光轨迹，这显着减少了时间的混乱和不适定的问题。最后，实验表明，恢复的曝光轨迹不仅捕捉准确和可解释的运动信息从模糊的图像，但也有利于运动感知的图像去模糊和基于扭曲的视频提取任务。代码可在https://github.com/yjzhang96/Motion-ETR上获得。
2021-10-04 cs.CV
A straightforward method to assess motion blur for different types of displays
Sun Yat-sen University（中山大学）；Guangzhou Institute of Measurement and Testing Technology（广州计量检测技术研究院）
基于液晶响应和人类视觉系统的模拟方法适合于表征LCD的运动模糊，但不适合于其他显示类型。我们提出了一个更直接和广泛适用的方法来量化运动模糊的基础上的移动对象的宽度。因此，我们客观地比较各种类型的显示器。通过感知实验验证了该方法的有效性。我们测试不同的运动速度为九个商业显示器。我们比较了三种运动模糊评估方法（模拟，人类感知，我们的方法）使用z分数。我们的比较表明，我们的方法准确地表征各种显示类型的运动模糊。
2015-08-08 cs.CV
Image Moment Invariants to Rotational Motion Blur
University of Oulu（奥卢大学）；Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所）
由相机或/和对象的圆周运动引起的旋转运动模糊在生活中是常见的。从受旋转运动模糊影响的图像中识别对象是具有挑战性的，因为这种图像退化严重影响图像质量。因此，研究旋转运动模糊下的图像不变性特征，并将其应用于目标分类和模板匹配等实际任务中，具有重要意义。提出了一种新的旋转运动模糊图像不变矩生成方法，并给出了实例。进一步，我们实现了它们对相似变换的不变性。据我们所知，这是第一次在文献中提出了旋转运动模糊的不变矩。我们在受相似变换和旋转运动模糊干扰的各种图像数据集上进行了大量的实验，以测试这些不变量的数值稳定性和对图像噪声的鲁棒性。我们还证明了他们的性能在图像分类和手写数字识别。选择当前最先进的模糊不变矩和深度神经网络进行比较。我们的研究结果表明，本文提出的不变矩在各种任务中显着优于其他功能。
2023-03-25 cs.CV
BlurBall: Joint Ball and Motion Blur Estimation for Table Tennis Ball Tracking
University of Tuebingen（图宾根大学）
本文提出了一种新的标注策略，通过将球置于模糊 streak 的中心并显式标注模糊属性，提升表 tennis 球检测性能，并引入 BlurBall 模型联合估计球位置和运动模糊属性。
2026-03-28 cs.CV
A Method For Adding Motion-Blur on Arbitrary Objects By using Auto-Segmentation and Color Compensation Techniques
Hiroshima City University（广岛市立大学）；Kyushu University（九州大学）
当动态对象被相机捕获时，不可避免地会发生运动模糊。这种模糊有时被认为只是一种噪音，然而，它有时会产生重要的效果，为照片或视频的场景添加动态。与类似的效果不同，例如散焦模糊，现在甚至可以通过智能手机轻松控制，运动模糊仍然无法控制，并对照片产生不期望的效果。在本文中，提出了一个统一的框架，添加运动模糊的基础上，每个对象。在该方法中，多个帧被捕获而没有运动模糊，并且它们被累积以在目标对象上创建运动模糊。为了拍摄出无运动模糊的图像，快门速度必须较短，但快门速度过快会使拍摄的图像变暗，因此需要增加传感器增益来补偿，由于传感器增益会对图像造成严重的噪声，本文提出了一种基于非线性滤波技术的色彩补偿算法。另一个贡献是，我们的技术可以用于通过使用多曝光图像来为快速移动的对象制作HDR图像。在实验中，使用几个数据集的烧蚀研究证实了该方法的有效性。
2021-09-22 cs.CV
Restoration of Video Frames from a Single Blurred Image with Motion Understanding
KAIST（韩国科学技术院）
我们提出了一个新的框架，从一个单一的运动模糊图像生成干净的视频帧。虽然广泛的文献集中在从模糊图像中恢复单个图像，但在这项工作中，我们解决了一个更具挑战性的任务，即从模糊图像中恢复视频。我们制定从一个单一的模糊图像的视频恢复作为一个逆问题，通过设置清洁的图像序列和它们各自的运动作为潜在的因素，和模糊的图像作为一个观察。我们的框架是基于空间Transformer网络模块的编码器-解码器结构，以端到端的方式恢复视频序列及其底层运动。我们设计了一个损失函数和正则化与互补性质，以稳定的训练和分析所提出的网络的变体模型。通过对两种不同类型的数据集进行大量实验，突出了我们网络的有效性和可移植性：全景场景中生成的相机旋转模糊和高速视频中的动态运动模糊。
2021-04-19 cs.CV
Retrieval Robust to Object Motion Blur
ETH Zürich（苏黎世联邦理工学院）；Microsoft（微软公司）；Czech Technical University in Prague（捷克布拉格技术大学）
针对运动模糊物体检索问题，提出一种学习鲁棒表示以匹配模糊与去模糊物体的方法，并构建首个大规模模糊检索数据集，实验证明其优于现有方法。
2024-07-17 cs.CV
Blur Interpolation Transformer for Real-World Motion from Blur
The University of Tokyo（东京大学）；National Institute of Informatics（国立信息学研究所）
本文研究了从模糊中恢复运动的挑战性问题，也称为联合去模糊和插值或模糊时间超分辨率。挑战是双重的：1）即使在合成数据集上，当前的方法在视觉质量方面仍有相当大的改进空间，以及2）对真实世界数据的泛化能力差。为此，我们提出了一个模糊插值Transformer（BiT），以有效地解开模糊编码的底层时间相关性。基于多尺度残差Swin Transformer块，引入双端时间监督和时间对称集成策略，生成有效的时变运动绘制特征。此外，我们设计了一个混合相机系统来收集第一个一对多模糊清晰视频对的真实世界数据集。实验结果表明，BiT在公共数据集上具有显着的增益。此外，所提出的真实世界数据集有效地帮助模型推广到真实的模糊场景。代码和数据可在https://github.com/zzh-tech/BiT上获得。
2023-03-07 cs.CV
ExBluRF: Efficient Radiance Fields for Extreme Motion Blurred Images
ASRI（先进科学技术研究院）；IPAI, Seoul National University（首尔大学 IPAI 研究所）；GSAI（全球人工智能研究院）；POSTECH（浦项科技大学）；Dept. of ECE（电气工程学院）；Dept. of CSE（计算机科学与工程学院）
ExBluRF 通过联合优化 6 自由度相机轨迹与体素辐射场，从极端运动模糊图像中高效恢复清晰 3D 场景，训练时间和显存消耗较现有方法降低约一个数量级。
2024-02-24 cs.CV
Deblur-Avatar: Animatable Avatars from Motion-Blurred Monocular Videos
School of Artificial Intelligence and Automation, Huazhong University of Science and Technology（华中科技大学人工智能与自动化学院）；S-Lab for Advanced Intelligence, Nanyang Technological University（南洋理工大学先进智能实验室）；College of Computing and Data Science, Nanyang Technological University（南洋理工大学计算与数据科学学院）；SenseTime Research（商汤科技研究院）
该研究针对运动模糊单目视频输入，提出将基于人类运动的运动模糊模型集成到3D高斯平铺的框架，通过优化轨迹和高斯分布重建高质量可动画化头像，实验证明其在渲染质量等方面显著优于现有方法。
2026-07-28 cs.CV
MoBGS: Motion Deblurring Dynamic 3D Gaussian Splatting for Blurry Monocular Video
MoBGS通过模糊适应性潜在相机估计和曝光估计方法，实现对模糊单目视频中动态场景的高效去模糊和高质量时空视图重建。
2025-12-03 cs.CV
Automatically Extract the Semi-transparent Motion-blurred Hand from a Single Image
Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）；University of Chinese Academy of Sciences（中国科学院大学）
当我们使用视频聊天，视频游戏或其他视频应用程序时，经常会出现运动模糊的手。准确地提取这些手对于视频编辑和行为分析非常有用。然而，现有的运动模糊对象提取方法要么需要用户交互，例如用户提供的三重图和涂鸦，要么需要额外的信息，例如背景图像。本文提出了一种新的方法，可以自动提取半透明的运动模糊的手只根据原始RGB图像。所提出的方法将提取任务分为两个子任务：阿尔法蒙版预测和前景预测。这两个子任务由基于Xception的编码器-解码器网络实现。可以通过将预测的阿尔法蒙版与前景图像相乘来计算所提取的运动模糊手图像。在人工数据集和真实数据集上的实验表明，该方法具有良好的性能.
2019-06-27 cs.CV
Motion-blurred Video Interpolation and Extrapolation
KAIST（韩国科学技术院）
场景中相机或物体的突然运动会导致视频模糊，因此恢复高质量视频需要两种类型的增强：视觉增强和时间上采样。广泛的研究试图从模糊图像序列中恢复干净的帧或通过插值对帧进行时间上采样，但联合处理这两个问题的研究非常有限。在这项工作中，我们提出了一种新的框架，用于从运动模糊的视频中以端到端的方式去模糊，内插和外推清晰的帧。我们首先通过光流估计从给定的输入中学习导致模糊的像素级运动，然后通过用估计的流扭曲解码的特征来预测多个干净的帧，从而设计我们的框架。为了确保预测帧之间的时间一致性并解决潜在的时间模糊性，我们提出了一个简单而有效的基于流的规则。通过对高速视频中运动模糊数据集进行广泛的定性和定量评估，突出了我们方法的有效性和可扩展性。
2021-03-10 cs.CV
Dynamic Gaussian Splatting from Defocused and Motion-blurred Monocular Videos
Sun Yat-sen University（中山大学）
本文提出统一框架，通过模糊预测网络估计逐像素可靠模糊核，结合动态高斯致密化策略，从散焦和运动模糊的单目视频中实现高质量动态高斯泼溅与新视角合成。
2025-10-31 cs.CV
Motion Blur Decomposition with Cross-shutter Guidance
The University of Tokyo（东京大学）
本文针对单张图像运动模糊分解的高度歧义性问题，提出利用全局快门与卷帘快门互补曝光特性，通过跨快门引导和互惠分支深度网络实现鲁棒分解，并构建三轴系统采集真实数据验证了方法有效性。
2024-04-01 cs.CV
DeblurGS: Gaussian Splatting for Camera Motion Blur
IPAI, Seoul National University（首尔国立大学IPAI）；Dept. of ECE & ASRI, Seoul National University（首尔国立大学电气与计算机工程系及ASRI）
针对运动模糊图像重建中相机位姿初始化噪声问题，提出DeblurGS，利用三维高斯泼溅估计六自由度运动并合成模糊渲染，结合高斯致密化退火策略，实现最先进的去模糊与新视角合成。
2024-04-18 cs.CV
Image as an IMU: Estimating Camera Motion from a Single Motion-Blurred Image
University of Oxford（牛津大学）；Department of Computer Science（计算机科学系）
本文提出了一种利用运动模糊估计相机运动的方法，通过预测运动流场和深度图，结合线性最小二乘问题恢复相机速度，实现高精度姿态估计。
2025-11-26 cs.CV
Kinematics-Driven Gaussian Shape Deformation for Blurry Monocular Dynamic Scenes
AI Institute, Seoul National University（首尔国立大学人工智能研究所）；Interdisciplinary Program in Neuroscience, Seoul National University（首尔国立大学神经科学跨学科项目）；Gwangju Institute of Science（全州科学技术学院）；NAVER AI Lab（NAVER AI实验室）
本文提出Kinematics-GS框架，通过运动学先验和粗到细变形策略，解决模糊单目视频中动态3D场景重建中的几何一致性问题，实验证明其在处理非刚性运动场景中的有效性。
2026-05-09 cs.CV
Human and Scene Motion Deblurring using Pseudo-blur Synthesizer
Inha University（仁荷大学）
当今基于深度学习的运动去模糊方法利用合成模糊和锐化数据对来回归任何特定框架。此任务旨在将输入的模糊图像直接转换为其还原版本作为输出。上述方法在很大程度上依赖于合成模糊数据的质量，这些数据仅在训练阶段之前可用。通过提供大量数据来处理这个问题对于普通使用来说是昂贵的。我们通过提供可在训练和测试阶段运行的动态模糊数据增强器来应对这一挑战。为了充分利用它，我们采用了一个非正统的方案去模糊框架，采用模糊-去模糊-再模糊-去模糊步骤的序列。再模糊步骤由再模糊模块（合成器）辅助，该再模糊模块提供其清晰或去模糊对应物的再模糊版本（伪模糊）。建议的模块还配备了手工制作的使用最先进的人体统计模型提取的先验。在对抗学习过程中，该先验被用于映射人类和非人类区域，以充分感知人类关节和场景运动模糊的特征。通过采用这种方法，我们的去模糊模块变得自适应，并实现了优于最近的最先进的去模糊算法的结果。
2021-11-25 cs.CV
DeblurNVS: Geometric Latent Diffusion for Novel View Synthesis from Sparse Motion-Blurred Images
School of AI for Science, Peking University Shenzhen Graduate School（人工智能科学学院，北京大学深圳研究生院）；School of Electronic and Computer Engineering, Peking University Shenzhen Graduate School（电子与计算机工程学院，北京大学深圳研究生院）
提出DeblurNVS框架，利用几何潜在扩散从稀疏运动模糊图像中直接合成高保真新视角，无需逐场景优化。
2026-05-31 cs.CV
CoMoGaussian: Continuous Motion-Aware Gaussian Splatting from Motion-Blurred Images
Yonsei University（延世大学）；NAVER Cloud（NAVER云）
CoMoGaussian通过连续运动感知的高斯点云生成方法，实现从运动模糊图像中精确重建3D场景，提升实时渲染效率与重建精度。
2025-07-14 cs.CV
Subtle Motion Blur Detection and Segmentation from Static Image Artworks
Amazon Prime Video（亚马逊Prime视频）
本文提出SMBlurDetect，通过生成高质量运动模糊数据集和端到端检测器，实现多粒度零样本检测，提升静态图像中细微运动模糊的检测与分割性能。
2026-02-21 cs.CV
Multi-View Motion Synthesis via Applying Rotated Dual-Pixel Blur Kernels
York University（约克大学）
肖像模式在智能手机相机上广泛使用，以提供增强的摄影体验。应用于在肖像模式下捕获的图像的主要效果之一是合成的浅景深（DoF）。合成DoF（或散景效果）选择性地模糊图像中的区域，以模仿使用具有宽光圈的大镜头的效果。此外，许多应用现在结合了新的图像运动属性（NIMAT）来模拟背景运动，其中运动与每个像素处的估计深度相关。在这项工作中，我们遵循的趋势，呈现NIMAT效果，通过引入一个修改的模糊合成过程中的肖像模式。特别是，我们的修改通过应用旋转模糊内核，可以从单个图像中高质量地合成多视图散景。给定合成的多个视图，我们可以生成类似于NIMAT效果的美学上逼真的图像运动。与原始NIMAT效果和其他类似的图像运动（如Facebook 3D图像）相比，我们定性地验证了我们的方法。我们的图像运动演示了平滑的图像视图过渡，对象边界周围的伪影较少。
2021-11-15 cs.CV
GeoBlur: Epipolar Geometry Estimation from a Single Motion-Blurred Image
Computer Vision Laboratory, Linköping University, Sweden（链接öping大学计算机视觉实验室）
本文提出从单张运动模糊图像中鲁棒估计基础矩阵的方法，通过利用模糊图像中的 smear 路径进行时间实例对应，解决经典方法如8点算法无法处理的时间方向模糊问题。
2026-09-25 cs.CV
Real-World Deep Local Motion Deblurring
College of Optical Science and Engineering, Zhejiang University（浙江大学光电科学与工程学院）；Research Center for Intelligent Sensing Systems, Zhejiang Laboratory（之江实验室智能感知系统研究中心）
现有的图像去模糊方法大多集中在去除由相机抖动引起的全局模糊，而不能很好地处理由物体运动引起的局部模糊。为了填补真实场景中局部去模糊的空缺，我们建立了第一个真实局部运动模糊数据集（ReLoBlur），该数据集由同步分束摄影系统捕获，并通过后处理流水线进行校正。基于ReLoBlur，我们提出了一个局部模糊感知门控网络（LBAG）和几个局部模糊感知技术来弥合全局和局部去模糊之间的差距：1）基于背景减法的模糊检测方法来定位模糊区域; 2）门机制，以引导我们的网络专注于模糊区域;和3）模糊感知补丁裁剪策略，以解决数据不平衡问题。大量的实验证明了ReLoBlur数据集的可靠性，并表明LBAG在没有我们提出的局部模糊感知技术的情况下比最先进的全局去模糊方法获得了更好的性能。
2023-03-26 cs.CV
Improved Handling of Motion Blur in Online Object Detection
University College London（伦敦大学学院）
我们希望检测特定类别的对象，在线视觉系统，将在现实世界中运行。目标检测已经非常具有挑战性。当图像模糊时，从汽车或手持电话中的相机中获取图像就更难了。大多数现有的努力要么集中在清晰的图像上，容易标记地面真相，要么将运动模糊视为许多通用腐败之一。相反，我们特别关注自运动引起的模糊的细节。我们探讨了五类补救措施，每一类都针对清晰和模糊图像之间性能差距的不同潜在原因。例如，首先对图像进行去模糊会改变其人类可解释性，但目前，仅部分改善了目标检测。其他四类补救措施涉及多尺度纹理、分布外测试、标签生成和模糊类型调节。令人惊讶的是，我们发现，自定义标签生成旨在解决空间模糊性，在所有其他人之前，显着提高目标检测。此外，与分类的结果相反，我们看到了一个值得注意的提升，通过调整我们的模型对运动模糊的定制类别。我们在模糊的COCO图像和真实世界的模糊数据集上验证和交叉实验不同的补救措施，产生一个简单实用的最受欢迎的模型，具有优越的检测率。
2021-03-30 cs.CV
Blind Motion Deblurring with Pixel-Wise Kernel Estimation via Kernel Prediction Networks
Universidad de la República（共和国大学）；Universitat Pompeu Fabra（庞培法布拉大学）
本文提出一种基于核预测网络的盲运动去模糊方法，先估计逐像素非均匀运动模糊核，再通过联合训练的非盲去卷积网络恢复清晰图像，在真实模糊图像上取得优于或媲美端到端方法的效果。
2023-08-05 cs.CV
Non-uniform Motion Deblurring with Blurry Component Divided Guidance
Northwestern Polytechnical University（西北工业大学）；The University of Adelaide（阿德莱德大学）
图像盲去模糊是一个基本的、具有挑战性的计算机视觉问题，其目的是从一个模糊的观测中恢复模糊核和潜在的清晰图像。尽管深度学习方法在图像去模糊方面已经显示出了优越性，但在各种非匀速运动模糊方面仍然存在重大挑战。以前的方法简单地将所有图像特征作为解码器的输入，同时处理不同程度的模糊（例如，大模糊，小模糊），从而导致清晰图像生成的挑战。为了解决上述问题，我们提出了一种深度两分支网络来处理模糊图像，通过分量划分模块，该模块根据模糊度的表示将图像分为两个分量。具体而言，两个组件注意力块学习注意力地图，以利用有用的去模糊功能表示的大小模糊区域。然后，将模糊感知特征分别馈送到两个分支重构解码器。此外，提出了一种新的特征融合机制，基于方向的特征融合，合并两个分支的尖锐特征。定性和定量的实验结果表明，我们的方法表现良好，对国家的最先进的方法。
2021-01-15 cs.CV
BOCCHI: A More Realistic and Challenging Benchmark for Local Motion Blur Detection with MSDCT-UNet
研究局部运动模糊检测问题，提出MSDCT-UNet方法，通过DCT注意力和FiLM注入多尺度DCT先验，引入BOCCHI基准，该方法在BOCCHI上表现优异，且经其训练的模型在跨数据集迁移中表现出色。
2026-09-29 cs.CV
Video Deblurring via Semantic Segmentation and Pixel-Wise Non-Linear Kernel
Tencent AI Lab（腾讯人工智能实验室）；School of Computer Science and Engineering, Nanjing University of Science and Technology（南京理工大学计算机科学与工程学院）；School of Cyber Security, University of Chinese Academy of Sciences（中国科学院大学网络空间安全学院）；Electrical Engineering and Computer Science, University of California, Merced（加州大学默塞德分校电气工程与计算机科学）
视频去模糊是一个具有挑战性的问题，因为模糊是复杂的，通常是由相机抖动，物体运动和深度变化的组合引起的。光流可用于核估计，因为它预测运动轨迹。然而，在复杂的场景中，目标边界的估计往往是不准确的，这是核估计的关键。在本文中，我们利用语义分割在每个模糊帧理解场景的内容，并使用不同的运动模型的图像区域，以指导光流估计。虽然现有的逐像素模糊模型假设模糊核与曝光时间期间的光流相同，但是当像素处的运动模糊轨迹与估计的线性光流不同时，该假设不成立。我们分析了运动模糊轨迹和光流之间的关系，并提出了一种新的像素级非线性核模型来解释运动模糊。该模糊模型基于非线性光流，能更有效地描述复杂的运动模糊。在具有挑战性的模糊视频上的大量实验表明，该算法对最先进的方法表现良好。
2017-08-11 cs.CV
Joint Blind Motion Deblurring and Depth Estimation of Light Field
Seoul National University（首尔大学）；Inha University（仁荷大学）
从单个光场中去除摄像机运动模糊是一个具有挑战性的任务，因为它是高度不适定的逆问题。当模糊核由于场景深度变化和高阶相机运动而在空间上变化时，问题变得更糟。在本文中，我们提出了一种新的算法来估计所有的模糊模型变量联合，包括潜在的子孔径图像，相机运动，和场景深度从模糊的4D光场。利用光场的多视图性质通过利用强深度线索和多视图模糊观察来减轻优化的逆性质。在任意6自由度摄像机运动和场景深度不受约束的情况下，该联合估计方法同时实现了高质量的光场去模糊和深度估计。对真实和合成的模糊光场进行了大量的实验，实验结果表明，该算法优于现有的光场去模糊和深度估计方法。
2018-06-14 cs.CV
Learning to Extract a Video Sequence from a Single Motion-Blurred Image
University of Bern, Switzerland（伯尔尼大学，瑞士）
提出了一种从运动模糊图像中提取视频序列的方法。运动模糊图像是平均过程的结果，其中瞬时帧在传感器曝光期间随时间累积。不幸的是，逆转这一过程并非易事。首先，平均破坏了帧的时间顺序。其次，单帧的恢复是一个盲反卷积任务，这是高度不适定的。我们提出了一种深度学习方案，该方案通过顺序地提取帧对来逐渐重建时间顺序。我们的主要贡献是引入了时间顺序不变的损失函数。这让神经网络在训练过程中选择在可能的组合中输出什么帧。我们还通过设计一个具有大感受野的网络来解决去模糊的不适定性问题，并通过重新配置来实现，以实现更高的计算效率。我们所提出的方法可以成功地检索清晰的图像序列从一个单一的运动模糊的图像，并可以推广到合成和真实的数据集捕获不同的相机。
2018-04-11 cs.CV
Shape from Blur: Recovering Textured 3D Shape and Motion of Fast Moving Objects
ETH Zurich（苏黎世联邦理工学院）；University of Amsterdam（阿姆斯特丹大学）；Google Research（谷歌研究院）
我们解决的新任务，共同重建的3D形状，纹理和运动的对象从一个单一的运动模糊图像。虽然以前的方法只在2D图像域中解决去模糊问题，但我们提出的3D域中所有对象属性的严格建模能够正确描述任意对象运动。这导致更好的图像分解和更清晰的去模糊结果。我们将观察到的运动模糊对象的外观建模为背景和具有恒定平移和旋转的3D对象的组合。我们的方法最大限度地减少了损失重建输入图像通过微分渲染与合适的正则化。这使得能够以高保真度估计模糊对象的纹理化3D网格。我们的方法大大优于竞争的方法在几个基准快速移动物体去模糊。定性结果表明，重建的三维网格生成高质量的时间超分辨率和新的视图去模糊的对象。
2021-10-26 cs.CV
BARD-GS: Blur-Aware Reconstruction of Dynamic Scenes via Gaussian Splatting
Case Western Reserve University（凯斯西储大学）
针对动态场景拍摄中相机与物体同时运动导致的模糊及位姿不准问题，提出BARD-GS方法，显式分解并分别建模两类运动模糊，还构建真实模糊数据集，实验证明其重建效果显著优于现有方法。
2025-03-20 cs.CV
Unifying Motion Deblurring and Frame Interpolation with Events
Wuhan University（武汉大学）
基于帧的相机的慢快门速度和长曝光时间通常会导致视觉模糊和帧间信息的丢失，从而降低所捕获视频的整体质量。为此，我们提出了一个统一的框架，基于事件的运动去模糊和帧内插模糊视频增强，利用极低的延迟事件，以减轻运动模糊，促进中间帧预测。具体地说，首先通过一个可学习的双积分网络预测模糊帧和清晰潜像之间的映射关系，然后通过利用连续模糊输入和并发事件的信息，提出一个融合网络来改进粗糙结果。通过探索模糊帧，潜像和事件流之间的相互约束，我们进一步提出了一个自监督学习框架，使网络训练与现实世界的模糊视频和事件。大量的实验表明，我们的方法与最先进的方法相比毫不逊色，在合成和真实世界的数据集上都取得了显着的性能。
2022-04-14 cs.CV
Geometric Moment Invariants to Motion Blur
Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所）；University of Chinese Academy of Sciences（中国科学院大学）
在本文中，我们着重于通过推导运动模糊不变量来去除运动模糊的干扰，与以前的工作不同，我们不恢复任何模糊图像。基于运动模糊的几何矩和数学模型，证明了模糊图像的几何矩与原始图像的几何矩是线性相关的。根据这个属性，我们可以分析现有的基于矩的特征是否对运动模糊不变性。令人惊讶的是，我们发现一些几何不变矩是不变量，不仅空间变换，而且运动模糊。同时，我们使用合成和真实模糊图像数据集测试这些不变量的不变性和鲁棒性。实验结果表明，这些不变量在图像检索、分类和模板匹配等方面优于一些常用的模糊不变矩和非矩图像特征。
2021-01-25 cs.CG cs.CV
Hybrid Neural Rendering for Large-Scale Scenes with Motion Blur
The University of Hong Kong（香港大学）；Google（谷歌）
本文提出一种混合神经渲染模型，结合图像表示与神经三维表示，并通过模拟运动模糊和质量感知权重训练策略，在大规模场景新视角合成中超越现有基于点的方法。
2023-07-09 cs.CV
Splat-based 3D Scene Reconstruction with Extreme Motion-blur
KAIST（韩国科学技术院）；HYPERGRAM（超图）
研究针对低光照下RGB-D输入的极端运动模糊问题，提出结合高斯体素框架的相机姿态估计与图像去模糊方法，通过对齐帧、调整高斯位置等步骤，提升3D重建质量，优于现有方法，有广泛应用意义。
2026-07-21 cs.CV
Occlusion-Aware Video Deblurring with a New Layered Blur Model
Korea Institute of Science and Technology（韩国科学技术院）；Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）；Seoul National University（首尔大学）
我们提出了一个去模糊的方法，使用一个精心设计的分层模糊模型的场景中的遮挡对象。分层模糊模型常用于运动去模糊问题，以处理由物体运动或场景深度变化引起的局部变化模糊。然而，传统的模型在表示发生在遮挡边界处的层交互方面具有限制。在本文中，我们解决了这一限制，在理论和实验的方式，并提出了一个新的分层模糊模型，反映实际的模糊生成过程。在此基础上，提出了一种基于遮挡的图像去模糊方法，该方法不仅能估计出清晰的前景和背景，而且能更准确地估计出目标的运动。我们还提供了一个新的分析对象边界处的模糊核，这表明了模糊核的显着特点，不能被传统的模糊模型捕获。对合成和真实模糊视频的实验结果表明，该方法产生了优越的效果，特别是在对象边界。
2016-11-29 cs.CV
Learn to Model Motion from Blurry Footages
Imperial College London（帝国理工学院）；University College London（伦敦大学学院）；University of Bath（巴斯大学）；University of Trento（特伦托大学）
由于相机抖动和其他光度效果的混合，很难从真实世界的镜头中恢复运动场。在本文中，我们提出了一个混合框架交错卷积神经网络（CNN）和传统的光流能量。我们首先使用一个新的可学习的方向过滤层进行CNN架构。该层对模糊和摄像机运动之间的角度和距离相似性矩阵进行编码，能够增强抖动镜头的模糊特征。提出的CNN，然后集成到一个迭代的光流框架，使建模和解决盲反卷积和光流估计问题的能力，同时。我们的框架在合成数据集上进行了端到端的训练，并产生了与最先进方法相比具有竞争力的精度和性能。
2017-04-19 cs.CV
GeMS: Efficient Gaussian Splatting for Extreme Motion Blur
Computational Imaging Lab, Department of Electrical Engineering, IIT Madras（计算成像实验室，电气工程系，印度理工学院Madras）
针对现有3D高斯溅射方法处理极端运动模糊需依赖清晰图像或因特征不可靠失败的问题，提出GeMS框架，通过VGGSfM、3DGS-MCMC及联合优化直接从模糊图像重建，还提出GeMS-E结合事件去模糊细化，在合成和真实数据集上取得SOTA性能。
2025-08-20 cs.CV
CNN for License Plate Motion Deblurring
Brno University of Technology（布尔诺理工大学）
在这项工作中，我们探讨了以前提出的直接盲反卷积和去噪的方法与卷积神经网络的模糊内核部分约束的情况下。我们专注于模糊图像从现实生活中的交通监控系统，我们，第一次，证明了神经网络训练人工数据提供优越的重建质量的真实图像相比，传统的盲反卷积方法。训练数据很容易通过使用预期模糊核的非常粗略的近似来模糊来自目标系统的清晰照片来获得，从而允许针对特定应用（图像内容和模糊范围）训练自定义CNN。此外，我们还评估了CNN在模糊方向范围和长度方面的行为和限制。
2016-02-25 cs.CV
Single Image Deblurring and Camera Motion Estimation with Depth Map
Australian National University（澳大利亚国立大学）；Northwestern Polytechnical University（西北工业大学）；Australia Centre for Robotic Vision（澳大利亚机器人视觉中心）
曝光过程中的相机抖动是手持摄影的一个主要问题，因为它会导致图像模糊，破坏拍摄图像的细节。在现实世界中，这种模糊主要是由相机运动和复杂的场景结构引起的。虽然已经基于关于场景结构或相机运动的各种假设提出了相当多的现有方法，但是很少有现有方法可以处理真实的6 DoF相机运动。在本文中，我们提出联合估计6 DoF相机运动，并通过利用它们的潜在几何关系来消除相机运动引起的不均匀模糊，并将单个模糊图像及其深度图（直接深度测量或学习的深度图）作为输入。我们制定我们的联合去模糊和6自由度相机运动估计作为一个能量最小化的问题，这是解决在一个替代的方式。我们的模型能够恢复6自由度相机运动和潜在的干净图像，这也可以实现从单个模糊图像生成清晰序列的目标。在具有挑战性的真实世界和合成数据集上的实验表明，在我们提出的框架内可以很好地解决相机抖动引起的图像模糊问题。
2019-03-01 cs.CV
MBA-VO: Motion Blur Aware Visual Odometry
ETH Zürich（苏黎世联邦理工学院）；Microsoft Artificial Intelligence and Mixed Reality Lab（微软人工智能与混合现实实验室）
运动模糊是视觉里程计方法面临的主要挑战之一。在需要较长曝光时间的弱光条件下，即使相机运动相对较慢，也会出现运动模糊。在本文中，我们提出了一种新的混合视觉里程计管道与直接的方法，明确的模型和估计相机的局部轨迹内的曝光时间。这使我们能够主动补偿由于相机运动而发生的任何运动模糊。此外，我们还贡献了一个新的基准数据集的运动模糊感知视觉里程计。在实验中，我们表明，通过直接建模的图像形成过程中，我们能够提高鲁棒性的视觉里程计，同时保持可比的准确性，没有运动模糊的图像。
2021-03-25 cs.CV cs.RO
SSMB: Self-Supervised Local Feature Detection under Motion Blur
University of Zaragoza（萨拉戈萨大学）；University of Palermo（巴勒莫大学）；The Chinese University of Hong Kong（香港中文大学）；Tohoku University（东北大学）；Central South University（中南大学）；Texas A&M University（德克萨斯农工大学）；Nanjing University of Aeronautics and Astronautics（南京航空航天大学）；The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））
针对运动模糊下关键点检测的挑战，提出无去模糊的自监督关键点检测器SSMB，通过LDE模块及两阶段训练实现，在多项任务上优于现有基线，达到稀疏关键点检测的新最优性能。
2026-08-28 cs.CV
Super-Resolving Blurry Images with Events
School of Electronic Information, Wuhan University（武汉大学电子信息学院）；ETH Zurich（苏黎世联邦理工学院）
针对运动模糊图像超分辨率难题，提出融合事件信息的EBSR-Net，通过多尺度事件表示、跨模态注意力与模态间残差组实现性能提升，效果优于现有方法。
2024-05-11 cs.CV
