本文提出了一种基于事件相机的深度学习框架，旨在解决运动模糊问题。通过自监督学习和多尺度网络，结合事件与图像特征，显著提高了图像复原质量。实验结果表明，该方法在真实场景中优于现有技术。

本文综述扩散模型在图像复原中的应用，涵盖DiffPIR、图像修复、无监督显微重建、SPAIR、频率感知复原、重建生成扩散模型、MRI重建、深度平衡固定点采样、统一图像转换框架及盲超分辨率等方法，均取得领先性能。

该文综述图像修复与复原研究，涵盖图像超分辨率、压缩感知、三维重建、艺术品修复及去雨、去模糊、降噪等任务，提出图像自适应修复、RAP交互式修复、难度泛化反馈模型、MPRNet多阶段架构、并行注意力网络层、Deep Image Prior无预训练重建、学习与优化结合、AdaDepth无监督域适应等方法，实验均优于传统方案。

该文综述了基于小波变换的图像复原研究，涵盖去雾、去噪及恶劣天气图像修复等任务。代表性工作包括：DW-GAN利用离散小波变换保留高频信息去雾；小波通道注意力融合网络用于降雨图像去噪；两分支网络结合DWT与ConvNeXt处理非均质去雾；GridFormer、RSFormer等Transformer框架用于恶劣天气图像修复；EWT以DWT/IWT降采样加速去噪；DehazeFormer改进去雾并构建遥感数据集；WaveCNets以DWT替代池化提升抗噪性。