视频去模糊的关键组件之一在于如何有效利用邻近帧信息。近年来的先进方法通常采用与中心帧对齐的相邻帧，或通过递归方式将历史帧的信息传播至当前帧。本文提出一种新颖的“多模糊到去模糊”（Multi-Blur-to-Deblur, MB2D）概念，旨在高效利用邻近帧实现视频去模糊。首先，受未锐化掩模（unsharp masking）的启发，我们提出使用更多由长曝光生成的模糊图像作为额外输入，可显著提升模型性能。其次，我们设计了一种多模糊递归神经网络（Multi-Blurring Recurrent Neural Network, MBRNN），能够从邻近帧中合成更多模糊图像，从而在不改变现有视频去模糊方法的前提下，大幅提升去模糊效果。最后，我们提出一种结合MBRNN递归特征图的多尺度去模糊方法（Multi-Scale Deblurring with Connecting Recurrent Feature Map, MSDR），在GoPro和Su等主流数据集上实现了当前最优的去模糊性能，且在推理速度与内存效率方面均表现出色。