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。

本文提出了一种基于惯性测量单元数据的运动模糊图像合成与恢复框架，利用陀螺仪辅助的去模糊网络，显著提高了去模糊效果。实验结果表明，该方法在合成和真实模糊轨迹中的误差仅为两个像素，峰值信噪比比最先进的方法提高约33.17%。

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。

本文介绍了一种基于事件相机的深度学习方法，结合卷积循环神经网络和可微分方向事件过滤模块，旨在恢复运动模糊图像。研究提出了光流估计算法，并通过实验验证其优越性。同时，利用动态视觉传感器进行视频帧插值，结合事件引导光流细化策略，获得更真实的中间帧结果。

本文提出了多种新方法以改善运动模糊对Neural Radiance Fields (NeRFs)渲染质量的影响，包括EvDNeRF、Robust e-NeRF和DP-NeRF。这些方法通过建模模糊过程和优化相机姿态，显著提高了图像清晰度和三维一致性，实验结果表明其在合成和真实数据上均优于现有技术。

本文提出了一种基于惯性测量单元数据的运动模糊图像合成与恢复框架，利用陀螺仪辅助的去模糊网络，显著提高了去模糊效果。实验结果表明，该方法在合成和真实模糊轨迹之间的误差仅为两个像素，且在峰值信噪比上比最先进的去模糊方法提高了约33.17%。

该论文探讨了运动模糊对图像描述的影响，提出了多种数据增强技术以提高目标检测和描述的鲁棒性。研究中介绍了自训练方法MotionFit，利用3D卷积神经网络和假标签提升视频任务效果。此外，提出了VideoMix增强策略，显著改善视频分类性能，并开发了结合物理合理性和运动修正的运动数据增强方案，以提升人体运动预测模型的表现。

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。