论文地址：http://openaccess.thecvf.com/content_cvpr_2017/papers/Su_Deep_Video_Deblurring_CVPR_2017_paper.pdf代码地址：https://github.com/shuochsu/DeepVideoDeblurringAbstract        由于相机抖动引起的运动模糊是手持设备捕捉到的视频中存在的一个主要问题。然而，视频去模糊与单图像去模糊不同，基于视频的方法可以利用相邻帧中存在的丰富信息。因此，性能最好的方法依赖于附近帧的对齐。然而，图像对齐需要很高的计算成本。本文中引入一个视频去模糊的深度

Q:这篇论文试图解决什么问题？A:这篇论文试图解决的问题是：在3D场景重建和新视角合成（NVS）中，如何处理由于镜头失焦、物体运动和相机抖动等因素导致的图像模糊问题。这些模糊效应通常会影响从输入图像中准确重建3D场景，尤其是在使用基于体积渲染的神经辐射场（NeRF）方法时。论文提出了一种名为“Deblurring3DGaussianSplatting”的新实时去模糊框架，它通过使用一个小型的多层感知器（MLP）来操纵每个3D高斯分布的协方差矩阵，以模拟场景的模糊程度。这种方法能够在保持实时渲染的同时，从模糊图像中重建出精细且锐利的细节。Q:有哪些相关研究？A:相关研究包括：NeRF:展示了通过

  本内容主要介绍实现图像去模糊的MIMO-UNet模型。论文：RethinkingCoarse-to-FineApproachinSingleImageDeblurring代码（官方）：https://github.com/chosj95/MIMO-UNet1.背景  由于深度学习的成功，基于卷积神经网络（CNN）的图像去模糊方法已被广泛研究，并显示出良好的性能。基于卷积神经网络的图像去模糊模型主要分为两大类。早期，采用两阶段图像去模糊框架，即基于CNN的模糊核估计阶段和基于模糊核的去模糊阶段。最近，直接以端到端的方式直接学习模糊-清晰图像对之间的复杂关系，即直接从模糊图像获得清晰图像，De