FMODetect：快速移动物体的鲁棒检测
该研究提出了一种利用生成模型和自监督损失函数训练的 DeFMO 方法，在仅有单张图像和背景估计的情况下，以高速相机的子帧形式输出物体在各个位置的外观和运动状态，实现了 temporal super-resolution，效果优于现有技术并适用于真实数据。
Dec, 2020
本论文提出了一种名为 TbD-3D 的方法，可以同时跟踪快速运动的非均匀球形物体的 3D 运动轨迹、3D 姿态和物体外观变化，并提出了一组新的具有挑战性的数据集，用于验证该方法。
Nov, 2019
本文提出一种联合估计高度运动模糊物体的 3D 运动、3D 形状和外观的方法，并通过基于链式法则求导的逆渲染技术实现快速运动物体的去模糊和三维重建。
Nov, 2021
我们提出了一种在受到运动模糊影响的图像中进行物体检索的方法，并通过学习鲁棒的表达方式，能够匹配模糊物体与其去模糊版本，我们还提供了首个大规模模糊物体检索数据集，并在多个实验中验证了我们的方法优于现有方法。
Apr, 2024
本论文针对基于 egomotion 的模糊图像在目标检测中的困难，探讨了图片去模糊、纹理多尺度处理、标签生成、针对运动模糊的条件处理等五种方法，发现自定义标签生成能明显提高目标检测的效果，同时针对特定类型的运动模糊训练模型也能获得显著提高。通过在 COCO 数据集和真实世界数据集上实验，最终得到了一个易于实现并且具有优秀检测率的模型。
Nov, 2020
介绍了快速移动物体（Fast Moving Object，FMO）的概念和一种用于检测、跟踪和定位 FMO 的方法，该方法包含三个算法，成功地在广泛的条件下定位 FMO，进而实现了时间超分辨率和高亮度显示等应用。
Nov, 2016
本文提出了一种高效的深度神经网络方法 ——FMA，计算两个视频帧之间的 Framewise Motion Fields，并对大量对象的边界框进行快速可靠匹配，同时实现 Frame-wise Appearance Features 的学习，以达到实时多目标跟踪并取得与现有最先进方法相竞争的结果。
May, 2019
该研究论文提出了一种基于光流的移动物体检测框架，利用单应性矩阵在线构建光流背景模型，并设计了一个双模式判断机制来提高系统对复杂场景的自适 应性，实验证明该方法优于现有的方法，具有适应不同场景的优势。
Jul, 2018
本研究提出了一种增强型的运动感知多目标跟踪系统，集成了不同对象的多种运动模式，并引入动态重连上下文模块、三维积分图像模块等手段，取得了比其他先进跟踪器更为优越的高效性能。
Sep, 2020