L'extraction de caractéristiques ou la localisation basées sur un marqueur fiduciaire peuvent échouer en raison du flou de mouvement dans les applications robotiques réelles. Pour résoudre ce problème, cette étude propose un réseau génératif adversaire léger, nommé Ghost-DeblurGAN, destiné au déflouage en temps réel des images floues par mouvement. En outre, compte tenu de l'absence de tout benchmark existant pour cette tâche, un nouveau jeu de données à grande échelle, YorkTag, est introduit, offrant des paires d'images nettes et floues contenant des marqueurs fiduciaires. Grâce à l'entraînement et aux tests du modèle proposé sur YorkTag, il est démontré que, lorsqu'il est combiné à des systèmes de marqueurs fiduciaires pour traiter des images floues par mouvement, Ghost-DeblurGAN améliore significativement la détection des marqueurs. Les jeux de données et les codes utilisés dans cette étude sont disponibles à l'adresse suivante : https://github.com/York-SDCNLab/Ghost-DeblurGAN.