虽然之前也看过一些图像去模糊的论文，但是看的比较少。最近的工作因为和去模糊相关，所以快速的浏览了其他一些去模糊的工作。非常简要写在这里。
A Deep Motion Deblurring Network based on Per-Pixel Adaptive Kernels with Residual Down-Up and Up-Down Modules（CVPR workshop 2019）
论文主要思想是认为图像的运动幅度大小造成的模糊是不同的，对于小的模糊可以使用KPN去解决（可以有效滤出损失的信息），对于大的模糊可以使用Residual去学习。因此一个策略是将两者结合在一起。另外一个是使用RDU和RUD模块，和DBPN里的模块比较像，RDU用在encoder而RUD用在decoder（当然也是试出来的）。整体的pipeline如下图所示:
Region-Adaptive Dense Network for Efficient Motion Deblurring(AAAI 2019)
使用的结构依然是基于U-net的，整体结构如下(最后使用类似ASPP的结构获得不同感受野):
论文的核心思想是模糊是非均匀的，因此应当使用空间各异的卷积去有效扩大感受野。所以这篇论文里使用类似于STN的模块，放在网络的decoder部分，用来重建去模糊后的图像，该模块由多个deformable conv稠密连接得到，有效应对非均匀模糊，如下图所示：
在encoder和decoder中间的部分，是一个SA模块，可以看做是nonlocal的一个2D版本，可以获得长短距离像素之间的关联性，如下图所示:
Deep Stacked Hierarchical Multi-patch Network for Image Deblurring(CVPR 2019)
一张图如下，直接参考其他人的博客就OK: https://blog.csdn.net/avinswang/article/details/90756495 和 https://blog.csdn.net/gwplovekimi/article/details/93058810
