近 几 年 深 度 学 习 的 发 展 也 带 动 了 基 于 神 经 网 络 图 像 去 模 糊 算 法 的 发 展 Ｇｏｎｇ 等 人 使用 全 卷 积 神 经 网 络 Ｆｕｌ ｌ ｙ Ｃｏｎｖｏ ｌ ｕｔ ｉ ｏｎ Ｎｅｔ ｗｏｒｋ ＦＣＮ 进 行 图 像运 动 流 的 模 糊 核 估 计 进 而 恢 复 清 晰 图 像 ； Ｓｕｎ 等 人 ［１ ３ ］ 通 过 卷 积 神 经 网

近几年深度学习的发展，也带动了基于神经网络图像去模糊算法的发展，Gong等人使用全卷积神经网络（Fully Convolutional Network，FCN）进行图像运动流的模糊核估计，进而恢复清晰图像；Sun等人[13]通过卷积神经网络（Convolutional Neural Network，CNN）学习单幅图像中的不均匀模糊分布，进行模糊核的求解；Nah等人[14]采用多尺度的卷积神经网络进行图像去模糊，算法对模糊图片降采样作为多尺度网络的输入，同时低层卷积的结果进行上采样作为高层卷积的先验知识，最终获得清晰图；由于生成对抗网络能够提取高层纹理细节同时重建真实图像，2018年Kupyn等人[15]基于cGAN框架提出了Deblur-GAN算法，将图像去模糊视为一种特殊的image-to-image任务，在没有模糊核的前提下，给定模糊图像/ft，通过端到端的方式复原为清晰图像/s，使用生成器与判别器对抗训练增加重建图像的真实感。