ID-Blau: Image Deblurring by Implicit Diffusion-based reBLurring AUgmentation
National Yang Ming Chiao Tung University（国立阳明交通大学）；National Tsing Hua University（国立清华大学）；National Chengchi University（国立政治大学）；Qualcomm Technologies, Inc.（高通技术公司）
针对图像去模糊领域数据增强研究不足的问题，提出ID-Blau隐式扩散重模糊增强方法，通过可控模糊条件图生成多样化训练样本，有效提升了现有去模糊模型的性能。
2024-05-21 cs.CV
BaMBNet: A Blur-aware Multi-branch Network for Defocus Deblurring
Harbin Institute of Technology（哈尔滨工业大学）；Wuhan University（武汉大学）
有限的光圈尺寸和曝光时间引起的散焦去模糊是计算摄影中的一个重要问题。这是非常具有挑战性的，因为模糊核是空间变化的，难以估计的传统方法。由于卷积神经网络在底层任务上的巨大突破，它被引入到散焦去模糊问题中，并取得了重大进展。然而，它们对散焦模糊图像的不同区域应用相同的核，因此难以处理这些非均匀模糊图像。为此，本研究设计了一种新的模糊感知多分支网络（BaMBNet），其中不同的区域（具有不同的模糊量）应区别对待。特别地，我们通过DP数据的内部几何约束来估计不同区域的模糊量，该DP数据测量左右视图之间的散焦视差。基于不同模糊量的图像区域具有不同的去模糊难度的假设，我们利用具有不同容量（\emph{i.e.}参数）的不同网络来处理不同的图像区域。此外，我们引入了一个元学习散焦掩模生成算法来分配每个像素到一个适当的分支。通过这种方式，我们可以期望在恢复模糊区域的丢失细节的同时很好地保持清晰区域的信息。定量和定性实验都表明，我们的BaMBNet优于最先进的方法。源代码将在https://github.com/junjun-jiang/BaMBNet上提供。
2021-05-31 cs.CV eess.IV
Using Super-Resolution Imaging for Recognition of Low-Resolution Blurred License Plates: A Comparative Study of Real-ESRGAN, A-ESRGAN, and StarSRGAN
National Yunlin University of Science & Technology（云林科技大学）
本研究针对低分辨率模糊车牌识别问题，微调并比较了Real-ESRGAN、A-ESRGAN和StarSRGAN三种超分辨率模型，以寻找最适合提升车牌分辨率并实现准确识别的模型。
2024-03-20 cs.CV cs.LG eess.IV
Blur2seq: Blind Deblurring and Camera Trajectory Estimation from a Single Camera Motion-blurred Image
提出一种从单张模糊图像联合估计清晰图像与相机运动轨迹的深度学习框架，利用可微模糊模块和端到端训练，在严重或空间变化模糊下达到最先进性能。
2025-10-23 cs.CV cs.LG
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
Joint Estimation of Camera Pose, Depth, Deblurring, and Super-Resolution from a Blurred Image Sequence
Seoul National University（首尔大学）
从严重模糊或低分辨率的图像中估计相机姿态和场景结构的传统方法经常导致失败。现成的去模糊或超分辨率方法可以显示视觉上令人愉悦的结果。然而，在匹配之前独立地应用每种技术通常是无利可图的，因为这一系列天真的过程忽略了图像之间的一致性。在本文中，我们提出了一个开创性的统一框架，同时解决四个问题，即密集的深度重建，相机姿态估计，超分辨率，去模糊。通过反映一个物理成像过程，我们制定了一个成本最小化问题，并使用交替优化技术解决它。在合成视频和真实视频上的实验结果都显示了从严重退化的图像中获得的高质量深度图，这些图像对比了幼稚的多视图立体视觉方法的失败。我们提出的方法还产生了出色的去模糊和超分辨率图像，不同于传统的视频去模糊，超分辨率方法的独立应用程序或组合。
2017-09-18 cs.CV
Photosequencing of Motion Blur using Short and Long Exposures
Carnegie Mellon University（卡内基梅隆大学）；Samsung Research America（三星美国研究院）
光测序的目的是将运动模糊的图像转换为清晰的图像序列。这个问题是具有挑战性的，由于内在的模糊性，在时间排序以及恢复丢失的空间纹理，由于模糊。采用计算摄影方法，我们建议捕捉两个短曝光图像，以及原始模糊的长曝光图像，以帮助应对上述挑战。捕获后，我们使用一种新的模糊分解策略，递归地将长曝光图像分割成较小的曝光间隔，恢复锐利的照片序列。我们通过使用机器视觉摄像机捕获各种有趣的运动场景来验证该方法，这些场景被编程为捕获短曝光和长曝光序列。我们的实验结果表明，所提出的方法解决快速和精细的运动比以前的作品。
2019-12-11 cs.CV cs.LG eess.IV
Unblur-SLAM: Dense Neural SLAM for Blurry Inputs
University of Amsterdam（阿姆斯特丹大学）；Meta Reality Labs（Meta现实实验室）；ETH Zürich（苏黎世联邦理工学院）
本文提出Unblur-SLAM，一种针对模糊图像输入的RGB SLAM pipeline，能够处理多种模糊类型，在运动模糊和失焦模糊情况下表现出最佳性能，通过调整计算量和多视图优化提升重建效果。
2026-03-26 cs.CV eess.IV
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
Blur Invariant Kernel-Adaptive Network for Single Image Blind deblurring
Seoul National University（首尔国立大学）
我们提出了一种新的，盲目的，单一的图像去模糊方法，利用模糊核的信息。我们的模型解决了去模糊问题分为两个连续的任务：（1）模糊核估计和（2）清晰的图像复原。我们首先介绍了一个核估计网络，产生自适应模糊核的基础上分析的模糊图像。该网络学习输入图像的模糊模式，并训练生成图像特定模糊核的估计。随后，我们提出了一个去模糊网络，使用估计的模糊核恢复清晰的图像。为了有效地使用内核，我们提出了一个内核自适应AE块，将模糊图像和模糊内核的特征编码到低维空间中，然后同时对它们进行解码，以获得适当的合成特征表示。我们使用各种高斯模糊内核在REDS，GOPRO和Flickr2K数据集上评估我们的模型。实验表明，我们的模型可以在每个数据集上实现最先进的结果。
2020-12-15 cs.CV
Deblurring by Realistic Blurring
Australian National University（澳大利亚国立大学）；Tencent AI Lab（腾讯人工智能实验室）；Rakuten Institute of Technology（乐天技术研究所）；ACRV（澳大利亚机器人视觉中心）
用于图像去模糊的现有深度学习方法通常使用成对的清晰图像及其模糊对应物来训练模型。然而，合成模糊图像不一定以足够的精度模拟真实世界场景中的真实模糊过程。为了解决这个问题，我们提出了一种新的方法，它结合了两个GAN模型，即，学习模糊GAN（B GAN）和学习去模糊GAN（DB GAN），以便通过主要学习如何模糊图像来学习用于图像去模糊的更好模型。第一个模型BGAN学习如何使用未配对的清晰和模糊图像集模糊清晰图像，然后指导第二个模型DBGAN学习如何正确地去模糊这些图像。为了减少真实模糊和合成模糊之间的差异，利用相对论性模糊损失。作为一个额外的贡献，本文还介绍了一个真实世界的模糊图像（RWBI）数据集，包括各种模糊图像。我们的实验表明，该方法实现了一贯优越的定量性能，以及更高的感知质量的新提出的数据集和公共GOPRO数据集。
2020-05-07 cs.CV
Layer Decomposition Learning Based on Gaussian Convolution Model and Residual Deblurring for Inverse Halftoning
Kunsan National University（群山国立大学）
将输入图像分离成基本层和细节层的层分解已经被稳定地用于图像恢复。现有的基于加性模型的残差网络需要具有小输出范围的残差层，以实现快速收敛和视觉质量改善。然而，在逆半色调中，均匀的点图案阻碍来自残余层的小输出范围。因此，本文提出了一种基于高斯卷积模型（GCM）和结构感知去模糊策略的新的层分解网络，实现了基本层和细节层的残差学习。对于基本层，提出了一种新的基于GCM的残差子网络。GCM利用统计分布，其中模糊的连续色调图像和具有高斯滤波器的模糊的半色调图像之间的图像差异可以导致窄的输出范围。随后，基于GCM的残差子网络使用高斯滤波的半色调图像作为输入，并输出图像差作为残差，从而生成基层，即，高斯模糊的连续色调图像。对于细节层，提出了一种新的结构感知残差去模糊子网络（SARDS）。为了去除基础层的高斯模糊，SARDS使用预测的基础层作为输入并输出去模糊版本。为了更有效地恢复图像结构，如线条和文字，一个新的图像结构映射预测器被纳入到去模糊网络，以诱导结构自适应学习。提出了一种基于GCM和SARDS的基本层和细节层残差学习的实现方法。此外，它是验证所提出的方法优于国家的最先进的方法的基础上U-网络，直接去模糊网络，逐步残差网络。
2021-02-07 cs.CV eess.IV
BluRef: Unsupervised Image Deblurring with Dense-Matching References
本文提出一种无监督图像去模糊方法，利用简单数据收集流程生成伪真实数据，无需配对数据即可提升去模糊效果，适用于不同场景和设备。
2026-03-15 cs.CV
Convolutional Deblurring for Natural Imaging
University of Toronto（多伦多大学）
在本文中，我们提出了一种新的设计，图像去模糊的形式，一次卷积滤波，可以直接卷积与自然模糊的图像进行恢复。光学模糊的问题是许多遭受光学缺陷的成像应用的共同缺点。尽管有许多以包含或排除形式盲目估计模糊的去卷积方法，但由于高计算成本和低图像重建质量，它们实际上是具有挑战性的。高精度和高速度是数字存档中高通量成像平台的先决条件。在这样的平台中，在图像采集之后，在被存储、预览或处理以用于高级解释之前，需要去模糊。因此，这种图像的即时校正对于避免可能的时间延迟、减轻计算费用以及提高图像感知质量是重要的。我们通过将去卷积内核合成为有限脉冲响应（FIR）偶导数滤波器的线性组合来弥合这一差距，该滤波器可以直接与模糊输入图像进行卷积，以提高与光学模糊相关的点扩散函数（PSF）的频率下降。我们采用高斯低通滤波器解耦的图像去噪问题的图像边缘去模糊。此外，我们提出了一种盲方法来估计两个高斯和拉普拉斯模型，这是常见的许多成像管道的PSF统计。彻底的实验设计，以测试和验证所提出的方法的效率，使用2054自然模糊的图像在6个成像应用程序和7个国家的最先进的反卷积方法。
2019-07-19 cs.CV eess.IV
Efficient Blind Deblurring under High Noise Levels
CMLA；ENS Cachan（卡尚高等师范学院）；CNRS（法国国家科学研究中心）；IIE
图像盲去模糊的目的是在不知道摄像机运动的情况下，从运动模糊的图像中恢复清晰的图像。目前最先进的方法在没有噪声或噪声水平非常低的图像上具有非常好的性能。然而，考虑到低光条件是由于需要较长曝光时间而导致运动模糊存在的主要原因，无噪声假设是不现实的。事实上，运动模糊和高到中等的噪音经常一起出现。大多数作品通过首先估计模糊核$k$，然后对有噪声的模糊图像进行去卷积来解决这个问题。在这项工作中，我们首先表明，目前国家的最先进的核估计方法的基础上的$\ell_0$梯度先验可以适应处理高噪声水平，同时保持其效率。然后，我们表明，通过首先对模糊图像进行去噪，可以显着改进快速非盲反卷积方法。所提出的方法产生的结果，相当于那些获得更多的计算要求的方法。
2019-05-16 cs.CV
Unsupervised Domain-Specific Deblurring via Disentangled Representations
University of Maryland, College Park（马里兰大学帕克分校）
图像去模糊的目的是从模糊图像中恢复出潜在的清晰图像。在本文中，我们提出了一种无监督的方法，特定领域的单图像去模糊的基础上解开表示。通过使用内容编码器和模糊编码器分离模糊图像中的内容和模糊特征来实现解纠缠。我们强制执行KL发散损失，以正则化提取的模糊属性的分布范围，使得包含的内容信息很少。同时，为了处理不成对的训练数据，增加了模糊分支和循环一致性损失，以保证去模糊结果的内容结构与原始图像相匹配。我们还在去模糊结果上添加对抗性损失以生成视觉逼真的图像，并添加感知损失以进一步减轻伪影。我们使用合成数据集和真实图像对人脸和文本去模糊的任务进行了广泛的实验，与最近最先进的去模糊方法相比，取得了更好的结果。
2019-08-05 cs.CV
Noise2Blur: Online Noise Extraction and Denoising
Xiamen University（厦门大学）；University of Science and Technology of China（中国科学技术大学）；Columbia University（哥伦比亚大学）
我们提出了一个新的框架，称为Noise 2Blur（N2 B），用于训练鲁棒的图像去噪模型，而无需预先收集成对的噪声/干净图像。该模型的训练只需要一些（甚至一个）噪声图像，一些随机的未配对的干净图像，和无噪声，但模糊的标签通过预定义的噪声图像的过滤获得。N2 B模型由两部分组成：去噪网络和噪声提取网络。首先，噪声提取网络在模糊标签的指导下学习使用来自去噪网络的噪声信息输出噪声图。然后，将噪声图添加到干净图像以生成新的“噪声/干净”图像对。使用新的图像对，去噪网络学习从嘈杂的观察中生成干净和高质量的图像。这两个网络同时训练，相互帮助，学习噪声到清洁/模糊的映射。几个去噪任务的实验表明，N2 B的去噪性能接近于用预先收集的配对数据训练的其他去噪CNN。
2020-05-14 cs.CV eess.IV
Gyroscope-Assisted Motion Deblurring Network
Harbin Institute of Technology（哈尔滨工业大学）；Soochow University（苏州大学）；Fraunhofer Institute for Applied Information Technology FIT（弗劳恩霍夫应用信息技术研究所）
本文提出利用IMU数据合成和恢复运动模糊图像的框架，包含训练三元组生成策略和陀螺仪辅助运动去模糊网络，实验证明其合成轨迹接近真实且显著提升了去模糊性能。
2024-02-10 cs.CV cs.GR cs.LG
Multi-Focus Image Fusion Using Sparse Representation and Coupled Dictionary Learning
Aalto University（阿尔托大学）
我们解决了多焦点图像融合问题，在不同的焦点设置捕获的多个图像被融合成一个更高质量的全聚焦图像。这个问题的算法必须承认源图像的特点以及聚焦和模糊的功能。然而，大多数基于稀疏性的方法使用聚焦特征空间中的单个字典来描述多聚焦图像，而忽略了模糊特征空间中的表示。提出了一种基于耦合字典稀疏表示的多聚焦图像融合方法。它利用的意见，从一个给定的训练集的补丁可以稀疏表示的一对夫妇的过完备的字典相关的集中和模糊类别的图像和稀疏近似基于这样的耦合字典导致一个更灵活的，因此更好的融合策略比一个基于只选择稀疏表示在原始图像估计。此外，为了提高融合性能，我们采用了一种耦合字典学习方法，该方法强制学习的字典原子之间的成对相关性，以表示集中和模糊的特征空间。我们还讨论了基于耦合字典学习的融合方法的优点，并提出了有效的算法，基于耦合字典学习的融合。与现有多聚焦图像融合算法的实验比较验证了该方法的有效性。
2019-05-03 cs.CV cs.LG
Towards Differential Handling of Various Blur Regions for Accurate Image Deblurring
Beijing Normal University（北京师范大学）
提出差异化处理网络DHNet，通过Volterra块集成非线性特性并设计退化程度识别专家模块DDRE，自适应处理不同模糊区域的退化，在合成和真实数据集上超越SOTA方法。
2025-03-04 cs.CV
Recovering Continuous Scene Dynamics from A Single Blurry Image with Events
Wuhan University（武汉大学）；Huawei Noah’s Ark Lab（华为诺亚方舟实验室）
本文提出利用事件和隐式视频函数（IVF）从单张运动模糊图像中恢复连续场景动态，通过双注意力 Transformer 融合两种模态优势，在合成与真实数据集上的 PSNR 和 SSIM 指标及主观评估上均大幅优于现有方法。
2023-04-05 cs.CV
Stripformer: Strip Transformer for Fast Image Deblurring
National Tsing Hua University（台湾清华大学）；National Chengchi University（政治大学）；National Yang Ming Chiao Tung University（阳明交通大学）；Qualcomm Technologies, Inc.（高通技术公司）
在动态场景中拍摄的图像可能包含不需要的运动模糊，这会显著降低视觉质量。这样的模糊导致短距离和长距离区域特定的平滑伪影，其通常是方向性的和不均匀的，难以被去除。受当前Transformers在计算机视觉和图像处理任务上的成功的启发，我们开发了Stripformer，一种基于变压器的架构，该架构构造带内和带间令牌，以在水平和垂直方向上重新加权图像特征，以捕获具有不同方向的模糊图案。它堆叠交错的带内和带间注意层，以揭示模糊程度。除了检测各种方向和幅度的特定于区域的模糊模式之外，Stripformer还是一种令牌高效和参数高效的Transformer模型，需要比普通Transformer少得多的内存使用和计算成本，但在不依赖于大量训练数据的情况下工作得更好。实验结果表明，Stripformer在动态场景去模糊方面优于现有模型。
2022-07-22 cs.CV
Supervised Learning of Digital image restoration based on Quantization Nearest Neighbor algorithm
Khulna University（库尔纳大学）
本文提出了一种图像复原算法。该算法不同于传统的图像去噪方法，它利用了从相似图像中学习到的先验知识。原始图像和已知的退化算子的退化版本被用于设计量化。利用模糊图像设计码向量。对于每个这样的矢量，从原始图像获得的高频信息也是可用的。在恢复过程中，给定的退化图像的高频信息估计从其低频信息的基础上的人工噪声。对于恢复问题，设计了一些技术，对应于各种版本的模糊函数。给定噪声和模糊图像，基于相似性度量选择其中一种技术，从而提供模糊的识别。为了使恢复过程在计算上高效，利用量化最近邻方法。
2010-02-21 cs.CV
Adaptive Window Pruning for Efficient Local Motion Deblurring
Nanyang Technological University（南洋理工大学）；State Key Laboratory of Extreme Photonics and Instrumentation（极端光学与仪器国家重点实验室）
本文提出LMD-ViT，通过自适应窗口剪枝聚焦局部区域去模糊，减少计算量，提升速度与性能，显著降低FLOPs并加速推理。
2023-10-15 cs.CV
Video Reconstruction by Spatio-Temporal Fusion of Blurred-Coded Image Pair
Qualcomm India（高通印度）；Indian Institute of Technology Madras（马德拉斯印度理工学院）；Mad Street Den
基于学习的方法已经使得能够从单个运动模糊图像或单个编码曝光图像恢复视频序列。从一幅运动模糊图像中恢复视频是一个非常不适定的问题，而且恢复的视频中通常含有许多伪影。除此之外，运动的方向丢失，这导致运动模糊。然而，它具有完全保留场景的静态部分中的信息的优点。传统的编码曝光框架是更好的，但它只采样一小部分的空间-时间体积，这是最好的空间-时间体积的50%。在这里，我们建议使用的互补信息，目前在完全曝光（模糊）的图像以及编码曝光图像恢复高保真视频没有任何运动模糊。我们的框架包括一个共享的编码器，然后是一个注意力模块，选择性地将来自完全曝光图像的空间信息与来自编码图像的时间信息相结合，然后对其进行超分辨率处理，以恢复非模糊的高质量视频。我们算法的输入是完全曝光和编码的图像对。这种采集系统已经以编码双桶（C2B）相机的形式存在。我们证明了我们提出的使用模糊编码图像对的深度学习方法比仅使用模糊图像或仅使用编码图像的方法产生更好的结果。
2020-11-13 cs.CV eess.IV
Blind Image Deblurring based on Kernel Mixture
The University of Tennessee（田纳西大学）
盲图像去模糊试图估计模糊和模糊图像的潜像。作为不适定问题，该估计需要对潜像或表示模糊的模糊核施加限制。与以往的研究中对潜像施加先验信息不同，本文对模糊核的结构进行了调整。我们提出了一种混合核结构，同时使用高斯核作为基础核。通过组合在尺度和中心方面结构上增强的多个高斯内核，内核混合变得能够对模糊的几乎非参数形状进行建模。数据驱动的组合基本内核数量决策使结构更加灵活。我们将这种方法应用到遥感问题中，从模糊的卫星图像中恢复图像。这个案例研究表明，所提出的方法调节模糊核的优越性相比，国家的最先进的方法，调节潜像。
2021-01-15 cs.CV
Continuous Facial Motion Deblurring
Ajou University（亚洲大学）
我们介绍了一种新的框架，连续的面部运动去模糊，恢复连续的尖锐时刻潜在的一个单一的运动模糊的人脸图像通过一个时刻控制因素。虽然运动模糊图像是曝光时间内连续锐矩的累积信号，但大多数现有的单图像去模糊方法旨在使用多个网络和训练阶段恢复固定数量的帧。为了解决这个问题，我们提出了一个连续的面部运动去模糊网络的基础上GAN（CFMD-GAN），这是一个新的框架恢复连续时刻潜在的单一运动模糊的人脸图像与一个单一的网络和一个单一的训练阶段。为了稳定的网络训练，我们训练发电机恢复连续时刻的顺序确定我们的面部运动为基础的重新排序过程（FMR）利用特定领域的知识的脸。此外，我们提出了一个辅助回归，帮助我们的生成器产生更准确的图像，通过估计连续的尖锐时刻。此外，我们引入了一个控制自适应（ContAda）块，它执行空间可变形卷积和通道注意力作为控制因子的函数。在300 VW数据集上的大量实验表明，该框架通过改变矩控制因子来生成不同数量的连续输出帧。与最近使用相同300 VW训练集训练的单对单图像去模糊网络相比，该方法在恢复中心清晰帧方面表现出更好的性能，包括LPIPS，FID和Arcface身份距离。所提出的方法优于现有的单到视频去模糊方法的定性和定量比较。
2022-07-14 cs.CV
Video Reconstruction from a Single Motion Blurred Image using Learned Dynamic Phase Coding
Tel Aviv University（特拉维夫大学）
从一幅运动模糊图像重建视频是一个具有挑战性的问题，它可以提高现有摄像机的能力。最近，有几项工作使用传统成像和深度学习解决了这一任务。然而，由于方向模糊性和噪声敏感性，这种纯数字方法固有地受到限制。一些工作提出使用非传统的图像传感器来解决这些限制，然而，这样的传感器是非常罕见和昂贵的。为了用更简单的方法规避这些限制，我们提出了一种混合光学数字视频重建方法，只需要简单的修改现有的光学系统。我们使用一个学习的动态相位编码的镜头光圈在图像采集过程中编码的运动轨迹，作为先验信息的视频重建过程。所提出的计算相机产生一个尖锐的帧突发的场景在不同的帧速率从一个单一的编码运动模糊图像，使用图像到视频卷积神经网络。我们目前的优势和改进的性能相比，现有的方法，使用模拟和现实世界的相机原型。我们扩展我们的光学编码也视频帧内插和噪声视频提出了强大的和改进的结果。
2022-12-18 cs.CV eess.IV
Poissonian Blurred Image Deconvolution by Framelet based Local Minimal Prior
University of Mohaghegh Ardabili（莫哈格赫·阿达比利大学）
图像制作工具并不总是创建清晰的图像，有时会创建嘈杂和模糊的图像。在这些情况下，泊松噪声是出现在医学图像和天文图像中最著名的噪声之一。具有泊松噪声的模糊图像模糊了医学或天文学中非常重要的重要细节。因此，研究和提高受这类噪声影响的图像质量一直是研究人员考虑的问题。本文首先基于小框架变换，引入局部最小先验，然后将局部最小先验与分数阶计算相结合，对泊松模糊图像进行去卷积。在下文中，将模型推广到盲情况。为了评估所提出的模型的性能，几个图像，如真实图像进行了研究。
2022-06-10 cs.CV cs.IT eess.IV
Estimating Nonplanar Flow from 2D Motion-blurred Widefield Microscopy Images via Deep Learning
Idiap Research Institute（伊迪亚普研究所）；University of California, Santa Barbara（加州大学圣巴巴拉分校）
光流是一种旨在预测图像中任何像素的运动速度的方法，并在医学和生物学中用于估计器官或细胞器中的粒子流。然而，精确的光流测量需要以高速和低曝光时间拍摄的图像，这由于照明功率的增加而引起光毒性。我们在这里使用正常的光线条件和标准的显微镜摄像机来估计移动的平面外粒子的三维运动矢量场。我们提出了一种方法来预测，从一个单一的纹理宽视场显微镜图像，使用运动模糊的局部特性的平面外的粒子的运动。我们使用深度神经网络从模糊模型参数的局部估计估计来估计速度矢量场，并在地面真实模拟矢量场和网络输出之间实现了回归系数为0.92的预测。这种方法可以使显微镜工作者在不需要高速相机或高强度曝光的情况下获得关于样品动态特性的见解。
2021-02-14 cs.CV eess.IV
Extracting Super-resolution Structures inside a Single Molecule or Overlapped Molecules from One Blurred Image
在一些超分辨率技术中，相邻点在不同时间被照亮。因此，即使图像由于衍射而非常模糊，也可以检测它们的位置和光强度。根据传统的理论，由于衍射极限的存在，图像中的高频成分被去除，无法恢复点的内部细节。但本研究发现了一个例外，衍射模糊图像可以提取完整的信息。在这样的“可分辨条件”下，轮廓和细节信息都不会被衍射破坏。因此，它可以通过在空间域或频率域求解方程组可逆地恢复。这个条件与现有超分辨技术的成像条件密切相关。在此基础上，提出了一种原则上可以实现无限高分辨率的方法，并通过理论分析和仿真实验验证了该方法的有效性。它也可以在感兴趣区域之外没有任何观察到的图像的情况下工作。仿真实验也表明了该算法对一定噪声水平的容忍能力。
2019-12-07 cs.HC eess.IV
Beyond Camera Motion Blur Removing: How to Handle Outliers in Deblurring
Zhejiang University（浙江大学）
相机运动去模糊是一项重要的低层次视觉任务，以实现更好的成像质量。当场景具有诸如饱和像素的离群值时，所捕获的模糊图像变得更难以恢复。在本文中，我们提出了一种新的方法来处理相机运动模糊与离群值。我们首先提出了一个边缘感知的尺度递归网络（EASRN）进行去模糊。EASRN有一个单独的去模糊模块，可以在多个尺度上去除模糊，还有一个上采样模块，可以融合不同的输入尺度。然后提出了一个显著边缘检测网络来监督训练过程和约束边缘恢复。通过模拟摄像机的运动，并添加各种光源，我们可以产生模糊图像与饱和度截止。使用所提出的数据生成方法，我们的网络可以学习有效地处理离群值。我们在公共测试数据集上评估了我们的方法，包括GoPro数据集，Kohler数据集和Lai数据集。客观评价指标和主观可视化结果表明，我们的方法比其他国家的最先进的方法，在更好的去模糊质量。
2021-04-27 cs.CV eess.IV
Planar Geometry and Image Recovery from Motion-Blur
Indian Institute of Technology Madras（印度理工学院马德拉斯分校）；École polytechnique fédérale de Lausanne (EPFL)（洛桑联邦理工学院）
现有的运动去模糊工作要么忽略深度相关模糊的影响，要么与多层场景的假设一起工作，其中每个层以前平行平面的形式建模。在这项工作中，我们考虑的情况下，三维场景与分段平面结构，即，可以被建模为具有任意方向的多个平面的组合的场景。我们首先提出了一种方法来估计正常的平面场景从一个单一的运动模糊的观察。然后，我们开发了一种算法，用于自动恢复的飞机的数量，对应于每个平面的参数，和相机运动从一个单一的运动模糊图像的多平面3D场景。最后，我们提出了一个第一的同类方法来恢复的平面几何形状和潜像的场景，采用交替最小化框架建立在我们的研究结果。对合成数据和真实数据的实验表明，我们提出的方法取得了最先进的结果。
2022-02-07 cs.CV eess.IV
Generative Adversarial Network on Motion-Blur Image Restoration
HKUST（香港科技大学）
本文利用生成对抗网络构建Tensorflow模型，在GoPro数据集上训练以实现运动模糊图像复原，取得平均PSNR 29.1644和SSIM 0.7459的效果，验证了GAN在实际去模糊应用中的有效性。
2024-12-27 cs.CV eess.IV
Blind Deblurring Using GANs
Kalinga Institute of Industrial Technology（卡林加工业技术学院）；Indian Institute of Technology, Madras（印度理工学院马德拉斯分校）
去模糊是将模糊图像恢复为清晰图像的任务，恢复由于模糊而丢失的信息。在盲去模糊中，我们没有关于模糊核的信息。由于去模糊可以被视为图像到图像的转换任务，因此基于深度学习的解决方案，包括使用GAN（生成对抗网络）的解决方案，已被证明对去模糊有效。它们中的大多数具有编码器-解码器结构。我们的目标是尝试不同的GAN结构，并通过对现有结构的各种修改来提高其性能，以进行监督去模糊。在有监督的去模糊中，我们有成对的模糊图像和它们对应的清晰图像，而在无监督的情况下，我们有一组模糊图像和清晰图像，但它们之间没有对应关系。对结构进行修改以改善模型的全局感知。由于模糊在本质上是不均匀的，为了去模糊，我们需要整个图像的全局信息，而CNN中使用的卷积只能提供局部感知。深度模型可用于改善全局感知，但由于大量参数，它变得难以收敛，推理时间增加，为了解决这个问题，我们提出使用注意力模块（非局部块），它以前用于语言翻译和其他图像到图像的翻译任务。残差连接的使用还提高了去模糊的性能，因为来自较低层的特征被添加到模型的上层。已经发现，L1、L2和感知损失等经典损失与对抗性损失一起使用时，也有助于GANs的训练。我们也将影像的边缘资讯连结起来，观察其对去模糊的影响。我们还使用反馈模块来保持长期的依赖关系
2019-07-27 cs.CV eess.IV
A Mixture of Experts (MoE) model to improve AI-based computational pathology prediction performance under variable levels of histopathology image blur
Karolinska Institutet（卡罗林斯卡学院）
本文提出专家混合（MoE）策略，通过组合不同模糊水平数据训练的专家模型，显著提升组织病理学图像模糊条件下基于AI的预测性能，并在乳腺癌WSI分级和IHC预测任务中验证了其优于基线模型的效果。
2025-07-18 cs.CV eess.IV
E-VLA: Event-Augmented Vision-Language-Action Model for Dark and Blurred Scenes
Zhejiang University（浙江大学）；Ant Group（蚂蚁集团）；Hunan University（湖南大学）
E-VLA通过事件流中的运动和结构线索提升暗光和模糊场景下的操控鲁棒性，利用事件驱动感知增强视觉-语言-动作模型的性能。
2026-07-01 cs.CV cs.MM cs.RO
Frequency domain kurtosis-based no-reference image quality assessment for bright-field microscopy images
在过去的几年里，图像处理研究人员花费了大量的时间和精力来开发和完善图像质量评估算法。例如，双视场显微镜产生的图像的质量是一致评价的瓶颈。例如，当在不同的焦平面配置中获取样本的一堆图像时，其中将存在一组模糊或部分模糊的元素，从而损害正确的评估。本文的目的是提供一种图像质量评价指标，在不存在参考图像进行比较的情况下，检测整个堆栈集合中的模糊和清晰图像，并选择最清晰的图像进行进一步的融合处理。与主观标记的图像集的结果的相关性表明，所提出的度量提供了可靠的识别合格的图像融合，并建议在其他现实世界中的问题的应用。
2020-03-25 eess.IV
Blind Deblurring using Deep Learning: A Survey
KIIT University（KIIT大学）；NIT Rourkela（鲁尔克拉国家理工学院）
我们检查了所有基于深度学习的解决方案，并对过去几年来为解决盲去模糊而发展的各种架构提供了全面的理解。介绍性工作使用深度学习来估计模糊内核的一些特征，然后完全转向预测模糊内核，这将问题转化为非盲去模糊。最新技术水平是端对端，即，它们不估计模糊核，而是试图直接从模糊图像估计潜在的清晰图像。还提供了使用不同架构的GOPRO和Kohler标准数据集上的PSNR和SSIM基准值。
2019-07-23 cs.CV eess.IV
Deconvolved Image Restoration from Autocorrelations
从自相关中恢复信号，或者等效地，恢复与给定傅立叶模数相关联的相位，是成像中广泛存在的问题。这个问题已经解决了一些实验情况下，从光学显微镜自适应天文学，利用基于约束条件和先验信息的假设恢复对象。以类似的方式，去卷积是成像中的另一个常见问题，特别是在光学界，允许模糊图像的高分辨率重建。在这里，我们解决的混合问题，执行自相关反演，而在同一时间，去卷积其当前的估计。为此，我们提出了一个I-发散优化，驱动我们的形式主义成为一个广泛使用的迭代方案，灵感来自基于贝叶斯的方法。我们展示了从模糊自相关中恢复信号的方法，进一步分析了模糊物体和带限傅立叶测量的情况。
2020-07-04 eess.IV physics.app-ph physics.optics
Dictionary-Based Deblurring for Unpaired Data
针对真实场景中模糊-清晰配对数据难以获取的问题，提出联合估计结构化模糊矩阵与高分辨率图像字典的字典学习去模糊框架，在全监督、部分监督和无监督设置下均优于传统耦合字典学习方法。
2025-10-18 eess.IV
