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。

本研究提出了一种新型事件驱动的场景文本识别框架SimC-ESTR，克服了传统RGB摄像头在低光和运动模糊条件下的局限性，并创建了包含9,928个样本的数据集EventSTR，显著提高了识别的准确性和效率。

本研究提出了一种新颖的计算成像算法，有效解决了单光子数据3D重建中的运动模糊和分辨率不足问题。实验结果表明，该方法在不同噪声和光子水平下显著提升了图像清晰度，验证了其适应性和实用性。

本研究提出了一种新型密集视觉SLAM方案MBA-SLAM，针对运动模糊图像的挑战，通过集成运动模糊感知跟踪器，显著提高了相机定位精度和地图重建质量。实验结果显示，MBA-SLAM在多个数据集上优于现有方法。

本研究提出了一种多场景文本检测器，有效解决了智能交通中实时文本检测的速度和准确性问题，尤其在运动模糊情况下表现优异。

本文探讨了NeRF在图像视角合成中的应用及改进，特别是在大规模三维场景中的表现。研究提出了多种方法，如引入深度监督、使用事件相机和红外热成像技术，以提高渲染质量和鲁棒性。新方法EBAD-NeRF和E$^3$NeRF有效解决了运动模糊问题，展示了在动态和低光环境下的应用潜力。

研究人员提出了一种基于事件辅助的3D去模糊重建和高斯扰动的方法，能够实时恢复清晰的3D重建。该方法将事件相机数据集成到3D高斯扰动中，增强了对运动模糊的鲁棒性。实验结果表明，该方法与最先进的方法相当。

本文提出了一种新方法来解决运动模糊对Neural Radiance Fields渲染图片质量的影响问题。该方法利用模型和学习模块，通过建模模糊形成过程和使用可学习的响应函数来适应实际事件相机传感器中的非理想性。实验结果表明，该方法在合成和真实数据上优于已有的去模糊NeRFs方法，分别提高了6.13dB和2.48dB。

本研究介绍了一种基于事件的模糊超分辨率网络（EBSR-Net），利用事件的高时间分辨率来减轻运动模糊并提高高分辨率图像预测。该方法通过多尺度中心-环绕事件表示捕获运动和纹理信息，并设计对称的跨模态注意模块来充分利用模糊图像和事件之间的互补性。实验证明该方法在性能上具有显著优势。

本文介绍了一种使用合成数据增强流程来提高棒球投手姿势分析的方法，通过优化增强参数，观察到在2D和3D姿势估计测试数据集上损失分别减少了54.2%和36.2%。研究结果表明该方法有效地减轻了运动模糊带来的挑战，提高了姿势估计的质量。

本文提出了一种基于生成对抗网络（GAN）的深度滤波器，用于解决相机和物体之间的相对运动引起的运动模糊问题。该模型不需要模糊核估计，减少了测试时间，并在定量和定性上优于现有的盲去模糊算法。

英伟达推出基于G-Sync的ULMB 2技术，可大幅减少高端游戏中的运动模糊问题，最高支持1000Hz的有效运动刷新率。少数几款高端游戏显示器支持ULMB 2，包括宏碁XB273U F-27 360Hz显示器、华硕ROG Swift PG27AQN 360Hz显示器。