圖像去模糊是計算機視覺中的經典問題，高質量的成對模糊-清晰圖像數據對於訓練基於學習的去模糊模型至關重要。然而，合成模糊圖像往往缺乏真實感，而真實世界捕獲的圖像對則需要複雜且不靈活的相機系統。針對這一矛盾，來自多所機構的研究人員提出了GS-RealBlur框架，在保證模糊真實性的同時實現了數據採集的靈活性。
GS-RealBlur的核心思路是分步採集：使用手持相機拍攝模糊圖像，同時利用雲台對該場景進行密集的清晰圖像捕獲。隨後，從一系列清晰圖像中重建出場景的3D表示，並將每一幀模糊圖像的相機姿態在該3D空間中進行標定。根據姿態從3D表示中渲染出的圖像即為對應的清晰參考圖像。為了進一步提升渲染圖像與模糊圖像的對齊精度，研究團隊引入了模糊感知姿態精化模塊（BPR），通過外觀一致性和質心對齊約束優化姿態估計。該模塊能夠有效減少由於模糊導致的姿態誤差，從而生成更準確的清晰參考圖像。
基於GS-RealBlur框架，研究人員構建了一個高質量、多樣化的數據集，包含多種場景和運動模式。大量實驗表明，在該數據集上訓練的去模糊模型在多個真實世界去模糊基準上均取得了出色的泛化性能，一致優於在現有合成或真實數據集上訓練的模型。該框架的代碼和數據集將公開發布，為圖像去模糊領域的研究提供了新的有力工具。研究者認為，GS-RealBlur不僅解決了數據採集的靈活性難題，還提升了模型的泛化能力，有望推動圖像去模糊技術的實際應用。