2020 ECCV的一篇论文(名字太长了)，基本思想是通过引入中间blur，实现对blur coarse to fine的恢复，中间blur通过时间平均的不同长度得到。
之前方法的问题
之前方法和论文方法对比如下图所示：
1.One tage方案，过于直接和naive
2.b的stacking方案，不同级别输入不相同，会导致参数量的增加
3.c的多scale方案，在较小的scale上会造成细节损失
论文提出的点
1.在相同的scale上进行deblur，只是在原始迭代层面上进行小规模的deblur，而在后面进行更大规模的deblur，不同规模的blur通过控制帧平均数来得到，不同迭代层面的网络共享参数
2.使用RNN方案实现特征循环利用
论文的方法
论文提出方法的框架如下所示:
1.对每次迭代，分别和对应级别的blur结果做loss，随着迭代次数的增加，对应级别的blur越来越接近于clean图像，这种策略和课程学习的策略非常像
2.每次迭代时，输入是将上一次迭代输出结果和原始输入concat在一起输入
3.将前一层级迭代的decoder feature concat到下一级别的encoder上，这有利于包含一些blur的pattern信息
结果与思考
看上去效果还可以，见论文
思考：论文和以往的deblur角度不同，从另一个角度去思考了如何利用中间信息实现progressive的去模糊，思考问题方式值得借鉴。对于其他问题，在实现coarse to fine思路的时候，也可以参考类似思路