现有的图像复原方法主要包括以下几种：

  1. 基于统计的方法：

  2. 基于均值滤波和中值滤波的图像去噪。

  3. 利用图像的局部对比度信息，如Retinex算法。
  4. 通过建立图像退化的数学模型，如泊松方程，来求解图像复原。

  5. 基于深度学习的方法：

  6. 卷积神经网络（CNN）：通过训练大量的图像数据，学习从模糊到清晰的映射关系。例如，SRCNN、FSRCNN、EDSR等模型。

  7. 生成对抗网络（GAN）：由生成器和判别器组成，通过对抗训练来生成清晰的图像。例如，DCGAN、CycleGAN等。
  8. 变分自编码器（VAE）：通过学习数据的潜在表示来生成新的图像，同时保持与原始图像的相似性。

  9. 基于稀疏表示的方法：

  10. 利用图像的稀疏性，通过求解一个稀疏表示问题来恢复图像。例如，匹配追踪算法（MOS）和基追踪算法（BT）。

  11. 结合深度学习，如深度匹配追踪（Deep Matching Pursuit, DMP）等。

  12. 基于字典学习的方法：

  13. 学习一个过完备的字典，用于表示图像的局部特征，从而实现图像复原。

  14. 例如，K-SVD算法用于字典的学习和稀疏表示的求解。

  15. 基于压缩感知的方法：

  16. 利用信号的稀疏性和压缩感知理论，在远低于采样率的条件下重构出清晰的图像。

  17. 这种方法在图像去噪、超分辨率复原等领域有广泛应用。

随着技术的不断发展，新的图像复原方法不断涌现，如基于深度学习的超分辨率技术（ESPCN、SRGAN等）、基于生成对抗网络的图像修复技术（GAN-VQ等）以及结合多模态信息的图像复原方法（如融合可见光与红外图像的复原技术）等。这些方法在各自的应用领域都取得了显著的成果。