نقدم DeblurGAN، وهو طريقة تعلمية من النهاية إلى النهاية لتصحيح التشويش الحركي. يتم التعلم على أساس شبكات التوليد التنافسية المشروطة (conditional GAN) وخسارة المحتوى (content loss). يحقق DeblurGAN أداءً رائدًا في كل من مقياس الشبه البنيوي والمظهر البصري. كما تم تقييم جودة نموذج تصحيح التشويش بطريقة جديدة على مشكلة حقيقية -- اكتشاف الأشياء في الصور (المشتتة والمشوهة) (deblurred images). يكون هذا الطريقة أسرع خمس مرات من أقرب منافس لها وهو DeepDeblur. كما نقدم أيضًا طريقة جديدة لإنشاء صور مشوهة حركيًا بشكل مصطنع من صور واضحة، مما يسمح بتوسيع مجموعة البيانات بشكل واقعي.النموذج والكود ومجموعة البيانات متوفرون على الرابط: https://github.com/KupynOrest/DeblurGAN