本研究提出了一种新颖的事件增强网络Ev-DeblurVSR，旨在解决模糊视频超分辨率问题。通过融合帧与事件信息，该方法显著提高了运动估计和去模糊效果，实验证明在真实数据上准确性提升2.59 dB，速度提高7.28倍。

本研究提出了一种名为Deblur-SLAM的RGB SLAM管道，旨在从运动模糊输入中恢复清晰的重建，结合帧间和帧对模型的优势，显著提升映射精度和去模糊效果。

本研究提出了一种通过扩散轨迹匹配（DTM）改进扩散模型引导的新方法，克服了现有方法的局限性，在多个逆问题上表现优异，尤其在ImageNet去模糊任务中显著提升了性能。

本研究提出了一种新方法，通过上下文模糊检测和短曝光图像恢复，解决移动物体引起的模糊问题，实验结果显示其去模糊效果优于现有技术。

本研究提出了一种新方法，利用隐式神经表达进行无镜像图像重建，旨在解决低数据环境下的去模糊问题。该方法无需预训练，通过无训练迭代优化提高重建性能和收敛速度，优于多种低样本方法。

本研究提出了一种新型集成算法，利用高斯混合模型解决图像恢复中单模型预测与真实值的偏差问题。该算法在超分辨率、去模糊和去雨任务中优于传统方法，具有重要的实用价值。

本文介绍了一种新算法——插拔式流匹配(PnP-Flow)，用于解决成像逆问题。通过结合预训练流匹配模型与PnP框架，形成时变去噪器，显著提升去噪、超分辨率、去模糊和修复任务的性能，克服了现有PnP方法在生成性任务中的局限性。

本研究提出了一种去模糊电子神经辐射场（Deblur e-NeRF）的方法，解决事件相机在高速运动或低光照下的模糊问题。通过像素带宽模型和阈值归一化全变差损失，优化纹理缺失区域，实现低模糊NeRF的重建。实验验证了该方法的有效性。

本研究探讨了扩散模型在图像恢复任务中的应用，并对当前技术进行了全面回顾。研究发现扩散模型在图像去噪、去模糊和去雾等低级计算机视觉任务中具有潜力，并提供了未来研究方向的实用建议。

该文章介绍了一种构建逆问题的高效采样器的插拔式框架，可用于解决超分辨率、修复或去模糊等问题。方法在多个数据集上的线性图像修复任务中表现出色，尤其在ImageNet数据集上的4倍超分辨率等挑战性问题中，仅需5个条件采样步骤即可生成高质量样本。

该论文介绍了一种新的深度神经网络框架，利用空间变异卷积模拟天文图像去模糊，提高了效率和准确性。该方法突破了传统方法，具有重大的计算优势。

该文章介绍了三种新的注意力机制，比标准的多头注意力更高效和具有更好的学习能力，提高了Transformer模型的性能和广泛部署能力。通过评估不同数据集，证明了这些注意力机制的有效性。

我们是第一次提出了一种高效的端到端视频转换器方法，用于视频去模糊、低光增强和去噪的综合任务。我们构建了一个新的多层转换器，每一层使用不同级别的模糊视频作为目标，以有效地学习视频的特征；此外，我们还设计了一种新的层间特征融合方案，以逐步学习视频特征并加速训练过程。我们还提供了一个新的多场景低光模糊噪声（MLBN）数据集，根据联合任务的特点生成，以尽可能模拟真实场景。我们进行了大量的实验证明，与...

研究人员提出了一种名为ASF-Net的新视频去雨方法，通过引入时间移位模块，提供了对时间信息更深层次的探索。研究人员构建了大规模的雨天视频数据集，并采用反恶化学习策略增强场景适应性。该方法在三个基准测试中表现出卓越性能，并在真实场景中具有令人信服的视觉质量。

研究人员提出了一种名为Sharp-NeRF的基于网格的NeRF技术，可以在半小时内从模糊图像中生成清晰图像。Sharp-NeRF具有更快的训练时间，并能生成色彩鲜艳、细节丰富的清晰新视图。

自监督方法在成像逆问题中证明了有效性，为基于学习的方法铺平了道路。本文提出了一种新的自监督方法，利用图像分布近似尺度不变的事实，可应用于高频信息丢失的逆问题。实验证明该方法优于其他自监督方法，并与完全监督学习相当。

本文提出了一种使用文本到图像潜在扩散模型的新方法来解决图像逆问题。该方法通过动态优化文本嵌入和投影方法生成更符合扩散先验的图像，在超分辨率、去模糊和修复缺失部分等任务上优于其他求解器。

本文提出了一种新的图像修复网络修剪方法，能够在不影响恢复精度的情况下减小网络尺寸，实验结果表明其在超分辨率和去模糊任务中表现优于以前的修剪方法。

该文介绍了一种使用文本到图像潜在扩散模型作为通用先验来解决图像逆问题的新方法。通过 prompt 调整方法和投影方法，能够生成更符合扩散先验的图像，并且在超分辨率、去模糊和修复缺失部分等任务上优于基于图像和潜在扩散模型的逆问题求解器。