Wir präsentieren ein neues end-to-end generatives adversariales Netzwerk (GAN) zur Bewegungsunschärfereduktion von einzelnen Bildern, genannt DeblurGAN-v2, das die aktuelle Standarte in Bezug auf Entschärfungseffizienz, -qualität und -flexibilität erheblich verbessert. DeblurGAN-v2 basiert auf einem relativistischen bedingten GAN mit einem Diskriminator auf zwei Skalen. Zum ersten Mal führen wir das Feature Pyramid Network in die Entschärfung ein, als zentrales Bauteil im Generator von DeblurGAN-v2. Es kann flexibel mit einer breiten Palette von Backbones zusammenarbeiten, um das Verhältnis zwischen Leistung und Effizienz zu optimieren. Die Integration komplexer Backbones (z.B. Inception-ResNet-v2) führt zu robusten Standesder-Forschungsergebnissen in der Entschärfung. Gleichzeitig erreicht DeblurGAN-v2 mit leichten Backbones (z.B. MobileNet und dessen Varianten) eine Geschwindigkeit, die 10-100 Mal schneller ist als die nächstkonkurrierenden Systeme, wobei es nahezu Standesder-Forschungsergebnisse beibehält, was die Möglichkeit der Echtzeit-Videobearbeitung impliziert. Wir zeigen, dass DeblurGAN-v2 auf mehreren gängigen Benchmarks sehr wettbewerbsfähige Ergebnisse erzielt, sowohl hinsichtlich der Entschärfungsqualität (objektiv und subjektiv) als auch der Effizienz. Darüber hinaus beweisen wir die Wirksamkeit der Architektur auch für allgemeine Aufgaben der Bildrestauration. Unsere Codes, Modelle und Daten sind unter folgendem Link verfügbar: https://github.com/KupynOrest/DeblurGANv2