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
Optical Flow Estimation from a Single Motion-blurred Image
KAIST Robotics and Computer Vision Lab.（韩国科学技术院机器人与计算机视觉实验室）
在大多数计算机视觉应用中，运动模糊被认为是一种不期望的伪影。然而，已经表明，图像中的运动模糊可能在基本计算机视觉问题中具有实际意义。在这项工作中，我们提出了一个新的框架，估计光流从一个单一的运动模糊图像在一个端到端的方式。我们用Transformer网络设计我们的网络，从运动模糊输入的编码特征中学习全局和局部变化的运动，并在没有显式帧监督的情况下解码左右帧特征。然后使用流估计器网络以从粗到细的方式从解码的特征估计光流。我们定性和定量地评估我们的模型，通过大量的实验合成和真实的运动模糊数据集。我们还提供了我们的模型与相关方法的深入分析，以突出我们的方法的有效性和可行性。此外，我们展示了我们的方法去模糊和运动对象分割任务的流量估计的适用性。
2021-03-10 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
Recurrent Video Deblurring with Blur-Invariant Motion Estimation and Pixel Volumes
POSTECH（浦项科技大学）
为了成功地进行视频去模糊，利用相邻帧的信息是必不可少的。大多数现有技术的视频去模糊方法采用视频帧之间的运动补偿来聚合来自多个帧的信息，这可以帮助对目标帧进行去模糊。然而，以前的去模糊方法所采用的运动补偿方法不是模糊不变的，因此，它们的精度是有限的模糊帧与不同的模糊量。为了缓解这个问题，我们提出了两种新的方法，通过有效地聚合来自多个视频帧的信息来去模糊视频。首先，我们提出了模糊不变的运动估计学习，以提高模糊帧之间的运动估计精度。其次，对于运动补偿，我们使用包含候选尖锐像素的像素体积来解决运动估计误差，而不是通过扭曲估计运动来对齐帧。我们结合这两个过程，提出了一个有效的经常性的视频去模糊网络，充分利用去模糊的前帧。实验表明，与最近使用深度学习的方法相比，我们的方法在定量和定性方面都达到了最先进的性能。
2021-08-23 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
Deblurring Processor for Motion-Blurred Faces Based on Generative Adversarial Networks
School of Informatics（信息学院）；Xiamen University（厦门大学）
低质量人脸图像复原是当今计算机视觉领域的一个热门研究方向。它可以用作人脸检测和人脸识别等任务的前期工作。目前，在解决各种环境条件下的低质量工作面问题方面，有很多工作要做。本文主要研究运动模糊人脸的复原问题。在日益丰富的移动场景中，运动模糊人脸的快速恢复可以为人脸匹配等任务带来高效的速度提升。为了实现这一目标，提出了一种基于生成对抗网络（GANs）的运动模糊人脸图像信号去模糊方法。它使用端到端方法来训练清晰图像生成器，即，用于运动模糊面部图像的处理器。本文介绍了运动模糊图像的处理过程、GANs的发展和变化以及一些基本概念。然后详细介绍了图像处理器的网络结构和训练优化设计。然后，我们在一般的人脸数据集上进行了运动模糊图像生成实验，并利用模糊和清晰的人脸图像数据对处理器GAN进行了训练和测试实验，并给出了一些直观的显示。最后，使用MTCNN来检测由去模糊处理器生成的图像的面部，并将其与模糊图像的结果进行比较。从实验结果来看，去模糊处理器对运动模糊图像的处理效果无论是在人脸检测的直观性还是评价指标上都有明显的提高。
2021-03-03 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
Blur Robust Optical Flow using Motion Channel
University College London（伦敦大学学院）；University of Bath（巴斯大学）；Imperial College London（帝国理工学院）；Xiamen University of Technology（厦门理工学院）
给定具有相机抖动和其他运动模糊的真实世界视频序列，难以估计光流。在本文中，我们首先研究模糊参数化的视频镜头使用近线性运动元素。然后，我们将商用3D姿态传感器与RGB相机组合，以便将感兴趣的视频片段与相机运动一起拍摄。我们说明，这个额外的相机运动/轨迹通道可以嵌入到一个混合框架，通过交错的迭代盲反卷积和翘曲的光流计划。我们的方法在其他三个最先进的基线内产生了更高的精度，给出了我们提出的地面真实模糊序列;以及我们的成像系统拍摄的其他几个真实世界序列。
2016-03-07 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
Generic Camera Calibration using Blurry Images
Independent Researcher（独立研究者）
本文提出了一种利用模糊图像进行通用相机校准的方法，通过几何约束和局部照明模型同时估计特征位置和点扩散函数，有效解决平移模糊问题。
2026-03-05 cs.CV eess.IV
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
MoTDiff: High-resolution Motion Trajectory estimation from a single blurred image using Diffusion models
Department of Artificial Intelligence (AI), Sungkyunkwan University (SKKU)（人工智能系，全北国立大学）；Department of Electrical and Computer Engineering (ECE), SKKU（电气电子工程系，全北国立大学）；New Technology Team, ALLforLAND Co., Ltd.（ALLforLAND公司新技术团队）；Department of ECE, SKKU（电气电子工程系，全北国立大学）；Departments of AI, ECE, Semiconductor Convergence Engineering, Advanced Display Engineering, and Display Convergence Engineering, SKKU（人工智能系、电气电子工程系、半导体融合工程系、先进显示工程系和显示融合工程系，全北国立大学）；Center for Neuroscience Imaging Research, Institute for Basic Science, Suwon（神经科学成像研究中心，基础科学研究所）
本文提出首个基于 Diffusion 模型的高分辨率运动轨迹估计框架 MoTDiff，通过多尺度特征图条件框架和新型训练方法从单张模糊图像中提取高质量运动轨迹，在盲去模糊任务上优于现有方法。
2025-10-30 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
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
Assessing the Role of Datasets in the Generalization of Motion Deblurring Methods to Real Images
Universitat Pompeu Fabra（庞培法布拉大学）
本文分析了现有去模糊数据集的局限性，提出了一种基于简单有效模型的程序化方法生成清晰/模糊图像对，实验证明该方法能显著提升去模糊网络对真实动态场景模糊图像的泛化能力。
2025-04-01 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
Effects of Blur and Deblurring to Visual Object Tracking
Colledge of Intelligence and Computing, Tianjin University（天津大学智能与计算学部）；Key Research Center for Surface Monitoring and Analysis of Cultural Relics (SMARC), State Administration of Cultural Heritage, China（国家文物局文物表面监测与分析重点研究中心）；Department of Computer Science and Engineering, University of South Carolina（南卡罗来纳大学计算机科学与工程系）
直观地说，运动模糊可能会损害视觉对象跟踪的性能。然而，我们缺乏定量评估跟踪器的鲁棒性，以不同程度的运动模糊。与此同时，虽然图像去模糊方法可以产生视觉上更清晰的视频以取悦人眼，但视觉对象跟踪是否可以从图像去模糊中受益还不清楚。在本文中，我们通过构建一个模糊视频跟踪基准来解决这两个问题，该基准包含具有不同运动模糊水平的各种视频，以及用于评估跟踪器的地面实况跟踪结果。我们在这个基准上广泛评估了23个跟踪器，并观察到一些新的有趣结果。具体来说，我们发现，轻模糊可以提高许多跟踪器的性能，但严重的模糊总是伤害跟踪性能。我们还发现，图像去模糊可能有助于提高跟踪性能的严重模糊的视频，但伤害的性能轻微模糊的视频。根据这些观察，我们提出了一个新的GAN为基础的计划，以提高跟踪器的鲁棒性运动模糊。在该方案中，一个微调的模糊度作为一个自适应评估器，有选择地去模糊帧在跟踪过程中使用。我们使用该方案成功地提高了6跟踪器的准确性和鲁棒性。
2019-08-21 cs.CV
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
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
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
Aligning Motion-Blurred Images Using Contrastive Learning on Overcomplete Pixels
Rensselaer Polytechnic Institute（伦斯勒理工学院）
该研究提出一种基于对比学习的过完备像素级特征学习方法，可实现运动模糊等不变性，能用于真实场景下运动模糊视频的帧对齐，且过完备像素可编码物体身份与相对坐标。
2024-11-01 cs.CV
Bi-l0-l2-Norm Regularization for Blind Motion Deblurring
Technion–Israel Institute of Technology（以色列理工学院）；KTH Royal Institute of Technology（瑞典皇家理工学院）
在盲运动去模糊中，当今的主要方法倾向于l 〇范数的高度非凸近似，特别是在图像正则化项中。在本文中，我们提出了一种简单，有效和快速的方法来估计的运动模糊内核，通过双l0-l2范数正则化施加在中间清晰的图像和模糊内核。与现有的方法相比，所提出的正则化被证明是更有效的和强大的，导致更准确的运动模糊核和更好的最终恢复图像。通过耦合算子分裂和增广拉格朗日方法，提出了一种交替计算清晰图像和模糊核的快速数值方法。在基准图像数据集和真实运动模糊图像上的实验结果表明，该方法在去模糊效果和计算效率方面都具有很强的竞争力。
2015-01-22 cs.CV
