本文提出了一种基于时域自适应性压缩感知的视频压缩算法，可以根据场景的时域复杂度自适应地改变压缩比，且不会影响重建视频的质量，通过调整摄像机的积分时间来实现时域的适应性，可以与各种硬件系统集成。

Feb, 2013

本研究考虑了用于压缩感知的总变差最小化问题，并使用广义交替投影算法进行求解。结果表明，该算法在压缩感知中表现优异，包括二维图像、高光谱图像和视频。我们进一步推导了针对视频和高光谱图像压缩感知的 ADMM 框架，并提供了 GAP 和 ADMM 之间的联系。

Nov, 2015

文章提出了一个基于稀疏表示和压缩感知的超分辨率框架，用于在侦察和监视应用中对可扩展视频进行处理，实验结果表明，该框架具有更高的压缩率和更高的视频质量，是一种有效的压缩率更高、图像质量更优的视频处理算法。

Jul, 2017

本文提出了一种新的改进型总变分技术，利用多块梯度处理、去噪的 Lagrange 乘子和基于图块的稀疏表示方法来改善像素边缘模糊、细节丢失和高频振荡等问题，该方法不仅适用于图像的压缩感知恢复，而且可用于视频的压缩感知恢复。经模拟结果表明，所提出的方法在客观和主观质量上都提升了压缩感知图像和视频的恢复性能。

Mar, 2017

基于图像动画的视频压缩方法，通过使用预测编码方案和图像动画作为预测器，以及针对实际目标帧的残差编码，有效地提高压缩率，与 HEVC 和 VVC 相比可获得超过 70% 和 30% 的比特率增益。

Jul, 2023

本文介绍了一种基于改进的总变分和非局部正则化的算法，用于压缩感知图像恢复，提高了压缩采样图像的恢复质量和去除了不受欢迎的阶梯效应。

Aug, 2012

本文提出了一种基于线性动态系统的视频压缩感知恢复框架，将视频恢复问题简化为先从压缩测量中估计 LDS 模型参数，然后重建图像帧。利用 LDS 的低维动态参数和高维静态参数来设计一种新颖的压缩测量策略，它只在每个时刻测量场景的动态部分并随时间累积以估计静态参数，并有效地降低了压缩测量率。经过各种实验验证了方法的有效性，包括视频恢复、感知高光谱数据以及从压缩数据中对动态场景进行分类。

Jan, 2012

本文提出了一种多功能的学习视频压缩（VLVC）框架，使用一种模型支持所有可能的预测模式，包括运动补偿模块和流预测模块，可大大减少体素流的传输成本，并在各种情况下支持多功能压缩。实验结果表明，VLVC 不仅支持多功能压缩，还是首个在 MS-SSIM 方面优于最新 VVC/H.266 标准参考软件的端到端学习视频压缩方法。

Nov, 2021

本文提出了一种新的框架，利用视频压缩的低延迟配置和上下文自适应视频融合方法，提高 BasicVSR ++ 方法的质量，已在 NTIRE22 挑战中得到验证，并在定量指标和视觉质量方面与之前的方法相比均有所提高。

Feb, 2023

我们提出了一种 ML-based 的视频编码算法，通过评估不同分辨率和基于商业编解码器的标准视频压缩测试集发现，在低延迟模式下相对于 HEVC/H.265, AVC/H.264 和 VP9，我们的算法通常产生更小的代码。并且，我们的方法不会出现图块失真和像素化，可以产生更加视觉上令人愉悦的视频。

Nov, 2018