视频修复项目，涉及超分辨率、去模糊等多个任务。本文提出了一种名为 EDVR 的基于增强可变形网络的视频修复框架，通过金字塔级别的可变形卷积对齐帧以及时间空间注意力融合模块对图像进行处理，取得了 NTIRE19 视觉修复挑战的所有四个任务的冠军，并在视频超分辨率和去模糊方面表现优异。

May, 2019

本研究提出了一种基于动态神经网络架构的事件重建算法 HyperE2VID，使用超网络和动态卷积生成自适应滤波器，并结合上下文融合模块，以从事件体素网格和先前重建的强度图像中获得信息，采用课程式学习策略来训练网络，实验结果表明，HyperE2VID 具有更好的重建质量，参数更少，推理时间更短。

May, 2023

移动设备上的视频流媒体体验优化是一个挑战，本文提出了一种基于深度学习的实时增强方法，包括视频帧恢复、超分辨率算法和接收端增强感知的视频比特率自适应算法，评估结果显示该方法能够提高视频流媒体系统的实时增强效果，并显著提高 24% 至 82% 的视频体验质量。

Jul, 2023

本文介绍了一种基于 Transformer 的视频修复方法，利用时序信息进行跨帧高清图像恢复，在多个基准数据集上均取得了高于现有方法的表现。

Jan, 2022

本文提出了一种新颖的循环残差网络模型用于视频超分辨率，该模型相比于其他几种建模方法具有更高的计算效率和更好的超分辨率效果，取得了当前最好的结果。

Aug, 2020

该论文介绍了一种名为 EvNets 的新型事件神经网络，该网络利用视频数据的冗余性达到了可观的计算节省，它的每个神经元都有提供长期记忆的状态变量，使得即使相机移动较大，也能在低成本时实现高精度的推理，同时该论文在高和低水平的视觉处理领域，包括姿势识别，物体检测，光流和图像增强等领域上进行了广泛的实验，以验证该网络的有效性。

Dec, 2021

本研究提出一种特别设计用于处理第一视角视频的超分辨率框架，名为 EgoVSR，通过使用 Dual Branch Deblur Network 解决由快速自我运动和物体运动引起的运动模糊，并利用引导模糊掩模和生成运动模糊来提高精度和质量。

May, 2023

本文提出了 EVREAL 框架，并针对当前事件感知视觉领域中的基于深度学习的视频重建方法进行了统一的评价，旨在为不同的方法提供比较基础和统一的评价标准，提供对这些方法在不同场景下，挑战性场景和下游任务下性能的宝贵见解。

Apr, 2023

本文提出通过结合 block devising、architecture searching 和 loss design，构建轻量级卷积神经网络（CNN）来提高图像超分辨率质量。我们提出了一种名为 EFDN 的边缘增强特征蒸馏网络，在受限资源下保留高频信息。该方法构建了基于现有重参数方法的边缘增强卷积模块，并提出了边缘增强梯度损失来校准重参数路径训练。实验结果表明，提出的边缘增强策略能够保留边缘并显著提高最终恢复质量。

Apr, 2022

本文提出了基于卷积神经网络的端到端视频去雾网络 (EVD-Net), 用于利用连续视频帧之间的时间一致性，并在多种结构选项上进行了彻底的研究，以确定最佳的时间融合策略。此外，我们还建立了一个端对端联合视频去雾和检测网络 (EVDD-Net)，通过将 EVD-Net 与视频目标检测模型连接并进行联合训练，得到的增强型端对端流水线在模糊视频的检测结果上表现出更稳定和更准确的结果。

Sep, 2017