本文研究实时视频风格转移，提出一种基于循环卷积神经网络的方法，利用 Gram 矩阵的特征分析实现时间一致性和稳定性的控制，不需要测试期间的光流计算并能在任意分辨率下产生高质量、时间一致的视频效果。

May, 2017

本文利用深度递归神经网络，结合短期、长期以及感知上的损失，为视频处理提供了一种基于帧的将原始视频和处理后的视频作为输入，生成时间上连贯的视频的方法，实现了对多种需求的处理，且无需光流计算，具有实时性能。

Aug, 2018

本文提出了一个名为 LiteFlowNet2 的网络，主要用于光流估计问题，它使用卷积神经网络来计算光流，同时使用流正则化来解决异常和模糊问题，并实现了特征扭曲，而不是像 FlowNet2 和 SPyNet 那样变换图像，这通过轻量级级联流推理提高了速度，同时对 Sintel 和 KITTI 数据集的表现比 FlowNet2 更好，并且模型大小要小 25.3 倍，比运行速度要快 3.1 倍。

Mar, 2019

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深度学习的直接运动估计方法，在缺乏大规模数据集的情况下，采用无监督学习的方式训练网络，使用光流约束作为优化代价函数，通过反向传播算法进行误差传递以优化网络，实验证明该方法在合成图像与实际图像序列中的表现都接近于当今最先进的方法。

Jan, 2016

通过多流模型，我们引入一个经过视频训练的模型，并评估其在各种图像和视频输入下的鲁棒性，特别关注时间特征在不变识别中的作用。结果表明，在训练中包含视频和时间流能够抑制图像和视频理解任务中准确性和平均准确率（mAP）下降分别约 1.36％和 3.14％。

Nov, 2023

通过使用大规模神经系统数据对卷积神经网络进行正则化来学习更强的神经特征，以提高模型对于对抗扰动和噪声的分类鲁棒性。

Nov, 2019

本研究提出了一种基于线性动态系统和非线性映射理论的预测 - 纠正神经网络模型，能够自适应地关注‘惊奇’的视频帧，优化学习效率。研究表明，该模型在三个挑战数据集上的表现与双流网络相当，而无需计算昂贵的光流技术。

Apr, 2017

本论文提出和评估了几个深度神经网络架构，用于对比以往更长时间段内视频图像信息的组合。通过一些新的方法，包括卷积时间特征池化和循环神经网络结构，该论文指出最佳神经网络在 Sports 1 million 数据集（73.1％对 60.9％）和 UCF-101 数据集中（88.6％对 88.0％）及无附加光流信息（82.6％对 72.8％）上明显性能提高。

Mar, 2015

本研究探讨了在卷积神经网络的训练过程中使用稀疏性正则化的方法。我们的实验结果表明，使用这种正则化方法可以大幅减少神经网络所需的存储和计算开销，并且不会显著降低准确性。

Dec, 2014