深度学习在运动去模糊中的应用：现状、基准与未来展望

运动去模糊是计算机视觉的基本问题之一，并持续受到关注。图像内部和图像之间模糊的差异性，对依赖估计模糊核的非盲去模糊技术造成了限制。作为回应，盲运动去模糊应运而生，旨在无需模糊类型先验知识的情况下恢复清晰且细节丰富的图像，这得益于深度学习方法的进步。尽管该领域取得了进展，但对基于深度学习的盲运动去模糊近期进展的全面综述却明显缺失。本文通过提供深度学习在盲运动去模糊中作用的详尽概述来填补这一空白，涵盖了过去六年中开发的数据集、评估指标和方法。具体而言，我们首先介绍运动模糊的类型和去模糊的基本原理。接着，我们概述传统非盲去模糊算法的缺点，强调采用深度学习技术进行去模糊任务的优势。随后，我们根据不同的骨干网络，包括卷积神经网络、生成对抗网络、循环神经网络和 Transformer 网络，对现有的盲运动去模糊方法进行分类和总结。之后，我们不仅阐述这些不同类别的基本原理，还全面总结和比较它们的优势与局限。在四个广泛使用的数据集上进行的定性和定量实验结果进一步比较了 SOTA 方法的性能。最后，分析了当前的挑战和未来的路径。所有收集的模型、基准数据集、源代码链接和评估代码均已公开于 https://github.com/VisionVerse/Blind-Motion-Deblurring-Survey。