再以上基础上在分别利用逆滤波、维纳滤波、约束最小二乘方滤波方法对模糊图像2进行滤波处理，得到图像3，图像4，图像5，分别显示出图像3，图像4，图像5。

在上一步模糊图像处理的基础上，我们可以使用几种常见的滤波技术来恢复部分清晰度。以下是三种滤波方法的基本步骤：

1. **逆滤波（Inverse Filtering）**:

   inverse_filtered_image = ImageChops.invert(shifted_image1).filter(ImageFilter.SHARPEN)
   display(inverse_filtered_image)

2. **维纳滤波（Wiener Filter）**:
这需要一个噪声模型和权值计算。PIL库本身不提供现成的维纳滤波，可能需要借助第三方库，如Scikit-image（skimage.filters.wiener）:

   from skimage import filters
   wiener_filtered_image = filters.wiener(shifted_image1, noise=None)
   display(wiener_filtered_image)

3. **约束最小二乘方滤波（Constrained Least Squares Filtering）**:
类似于维纳滤波，这也是一个较为复杂的问题，可能需要专门的库如scipy或自定义算法。由于PIL不支持此功能，你可能需要借助外部工具或者编写一些数学运算来实现。

   # 注意这在PIL中不可行，这里仅示例如何可能实现
   # 实际上需要使用如numpy等其他科学计算库
   csls_filtered_image = apply_csls_filter(shifted_image1)
   display(csls_filtered_image)

在每个步骤完成后，记得使用`display()`函数或者其他适合的方法来展示相应的处理结果。请注意，这些滤波方法的效果可能会因噪声特性、图像内容等因素而变化，不一定能完全恢复清晰度，也可能引入新的伪影。