本文提出了两种计算机视觉算法对图像和视频进行风格迁移，第一种是根据 Gatys 算法进行能量最小化的图像风格转移技术，针对图像中的规模和遮挡等问题提出了改进，第二种是将视频风格迁移建模为一个学习问题，使用深度学习网络和新的训练程序使其在几乎实时的情况下实现任意长度的视频稳定风格转移，最后还介绍了如何将这些方法应用于 360 度图像和视频。

Aug, 2017

本文提出了一种通过知识蒸馏范式学习轻量级视频风格转移到提高稳定性的方法，并采用两个教师网络，一个使用光流，另一个不使用，通过它们的输出差异，采用蒸馏方法训练目标学生网络，同时采用低秩蒸馏损失来稳定学生网络的输出，实验证明我们的学生网络不需要光流模块即可生成稳定视频，并比教师网络运行速度更快。

Jul, 2020

提出了一种基于文本引导的视频风格化方法，通过同步多帧扩散框架来维持视觉细节和时间一致性，实现了视觉细节和时间一致性的生成高质量和多样性的结果。

Nov, 2023

通过融合光流和深度学习的方法，我们提出了一种无需人工监督的视频帧合成技术，通过流动像素值来预测新帧，实验表明该方法在定量和定性上都优于现有技术。

Feb, 2017

本文提出了一种卷积神经网络用于从视频中提取密集的光流，旨在为深度架构构建潜在的模块，以允许在视频中使用运动而无需借助外部算法，通过考虑信号处理原则构建网络结构，强制 “旋转不变性”，并提供一种分布式表示运动的方法。

Jan, 2016

本文提出了一种基于局部匹配和卷积神经网络的简单优化目标，该目标可以在保持效率的同时，产生艺术风格迁移的高品质结果。同时，本文结合内容结构和风格纹理，利用预训练网络的单层来实现该目标，并且使用 80,000 张自然图像和 80,000 张绘画进行反向优化网络的训练，这使得整个算法支持任意图像进行迁移。

Dec, 2016

使用光流作为 motion 信息的 FTGAN 模型，包含 FlowGAN 和 TextureGAN，实现了在无监督学习的情况下生成更真实的视频，可帮助提高动作分类的性能。

Nov, 2017

采用动态光流来监督静态图像的表示，通过学习嵌入像素以达到其光流向量之间的相似性，我们设计了一种无需手工标注的学习卷积神经图像表示的新方法，这个新方法优于以往的运用动态光流学习卷积神经网络的方法，并在语义分割等领域首屈一指。

Jul, 2018

本文利用卷积神经网络预测未来的运动并使用万几组视频来训练模型，不需要任何人工标记标签并提供在各种情况下的未来光学流预测。

May, 2015

本研究提出了一种基于图片样式迁移的视频样式迁移方法，使用新的初始化和适用于视频的损失函数能够生成一致和稳定的艺术风格视频序列，即使在大运动和强遮挡的情况下，该方法在质量和数量上都明显优于基线算法。

Apr, 2016