本文提出了一种端到端的视频超分辨率网络，它包括了在整个网络架构中估计光流，研究了光流在视频超分辨率中的使用，并发现常见的离线图像变形不利于视频超分辨率，因此提出了一种运动补偿操作。通过对整张图像进行处理而不是独立的图像块，可以大幅提高精度。结果表明，使用该网络架构可以受益于光流，获得了在流行测试集上的最佳结果。

Jul, 2017

本文提出了一种变形 3D 卷积网络（D3Dnet）来融合来自空间和时间维度的时空信息进行视频超分辨率， 采用变形卷积与 3D 卷积相结合的方法，具有更好的时空建模能力和运动感知建模灵活性， 实验结果表明 D3D 在开发时空信息方面非常有效。

Apr, 2020

本论文提出了一种基于广义可变形卷积的新的视频帧插值方法，该方法可以学习运动信息并自由选择时空采样点，经过广泛的实验证明，该方法在处理复杂运动时表现出类似于最先进技术的性能。

Aug, 2020

本文通过重新审视可变形卷积技术，旨在解决图像中卷积核区域位置的网格限制问题，以期更好适应物体形状不规则性和运动不确定性，从而提供更准确的插值画面。实验结果表明，相比于现有的其他技术，在四种数据集上所提出的模型表现更为卓越。

Apr, 2022

本文提出了一种新颖的变形非局部网络（DNLN），其是一种非基于光流的方法，旨在通过采用变形卷积并在特征级别提高其自适应对齐能力来恢复高质量的视频超分辨率帧。通过利用非局部结构捕捉参考帧和对齐的相邻帧之间的全局相关性并同时增强对齐帧中的所需细节，DNLN 能够实现 VSR 任务的最先进性能。

Sep, 2019

该研究提出了一种新型基于深度学习的视频超分辨率算法 DKSAN，该算法利用了新设计的变形卷积对齐和可形变内核空间注意力模块，更好地利用了时空冗余来促进不同层之间的信息传播，并在实验中展示了比现有技术 EDVR 更好的超分辨率效果。

Oct, 2020

本文证明卷积神经网络的固定几何结构导致其在几何变换方面受限，从而引入了两个新模块增强 CNNs 的变换建模能力。这两个模块是可变形卷积和可变形 RoI 池化。这些新的模块可以轻松替换现有 CNNs 中的普通模块，并且可以通过标准反向传播进行端到端训练，从而产生可变形卷积网络。广泛的实验证实了这种方法在物体检测和语义分割的复杂视觉任务上的有效性。

Mar, 2017

本研究提出了一种创新性的统一框架来解决密集深度重建、相机姿态估计、超分辨率和去模糊的四个问题，通过反映物理成像过程，我们提出了一个成本最小化问题，并使用交替优化技术来解决它，实验结果表明，我们的提出方法在合成和现实视频中均得到高质量的深度图，同时还产生了优秀的去模糊和超分辨率图像。

Sep, 2017

通过增强 Deformable Convolutional Networks 的变形卷积能力、引入调制机制和特征模仿方案，提高了其在目标检测和实例分割任务中的性能表现。

Nov, 2018

通过 Differentiable Resolution Compression and Alignment 机制，我们提出了一种高效的视频表示网络，以减小计算成本，同时保持一致的时间相关性，从而在近似重复视频检索和动态视频分类方面取得了最佳的效率与性能的权衡。

Sep, 2023