本文提出了一种基于深度神经网络的变形二维卷积核和三维卷积核的去噪方法，能够自适应地适应图像结构，并在处理具有大运动的动态场景时具有较好的性能。

Apr, 2019

本文提出了一种新颖的空间自适应去噪网络（SADNet），使用卷积神经网络，设计了残差空间自适应块，在采样时引入可变变形卷积以加权样本的空间相关特征，并引入了具有上下文块的编码器 - 解码器结构以捕获多尺度信息，通过从粗到细的噪声去除，可以获得高质量的无噪声图像。在实验结果中，我们的方法在量化和视觉上均优于现有的去噪方法。

Jan, 2020

本研究提出一种新的思路来解决现实世界 sRGB 图像去噪中空间相关噪声的问题，其通过分别考虑噪声图像中平滑区域和纹理区域的特性，并构建相应的监督来训练模型，最终得到了更好的去噪效果。

Mar, 2023

在本研究中，我们扩展了空间聚合能力并提出了一种动态内核的变换编码方法，使用自适应聚合产生内核偏移来捕获有效信息，同时引入了广义粗到细的熵模型和不对称的空间通道熵模型，实验结果表明我们的方法在三个基准测试中达到了优于最先进的基于学习的方法的速率失真性能。

Aug, 2023

本文提出了一种新的基于数据驱动的视频修复方法，采用了深度学习的网络结构，包含了两个子网络，一个是基于 3D 完全卷积的时间结构推断网络，另一个是二维全卷积网络的空间细节修复网络，该方法能够更好的恢复缺失的区域，并且其效果优于以往的视频修复方法。

Jun, 2018

该研究论文提出了一种处理动态场景运动去模糊问题的方法，通过像素自适应和特征注意设计以及内容感知的全局 - 局部滤波模块和像素自适应的非均匀采样策略，在去模糊的基准测试中与现有方法进行了广泛的定性和定量比较，取得了优异的性能。

Feb, 2024

提出了一种新颖的无监督网络来降噪显微镜视频，通过在底层卷积神经网络中整合时间信号滤波器，恢复被未知噪声类型破坏的显微镜视频。实验证实，该无监督模型在广泛的噪声场景中表现出色，尤其适用于显微镜视频。

Apr, 2024

我们提出了一个新颖的鲁棒性框架，用于低级视觉任务，包括去噪、物体移除、帧插值和超分辨率，不需要任何外部训练数据，通过优化损坏的测试序列来直接学习神经模块的权重，利用视频的时空相干性和内部统计信息。通过引入一种利用视频在不同尺度上的空间 - 时间块重复性属性的新型空间金字塔损失函数，增强了对空间和时间域中非结构化噪声的鲁棒性。进而，我们的框架在输入帧降质方面具有高鲁棒性，并在去噪、物体移除和帧插值等后续任务上取得了最新成果。为了验证我们方法的有效性，我们在标准视频数据集如 DAVIS、UCF-101 和 VIMEO90K-T 上进行了定性和定量评估。

Dec, 2023

本论文提出一种新的视频超分辨率算法，即同时处理多个连续视频帧的 spatio-temporal sub-pixel convolution networks，并采用了创新性的运动补偿和视频超分辨率算法，相比于单帧模型，网络可以减少 30％的计算成本同时保持相同的质量，或者在相似的计算成本下提供 0.2dB 的增益。在公开数据集上的结果表明，该算法在精度和效率方面均超过当前的最新性能。

Nov, 2016

本文介绍了一种新颖的无监督视频去噪深度学习方法，可帮助减轻数据稀缺问题并展现对不同噪声模式的稳健性，其方法包括三个模块：生成特征图的特征生成器、生成去噪但略带模糊的参考帧的去噪网络、重新引入高频细节的改进网络。通过利用基于坐标的网络，可以在保留去噪视频帧中高频细节的同时大大简化网络结构。广泛的试验表明，我们的方法可以有效地去噪现实中的钙成像视频序列，而无需先验知识和数据增强训练。

Jul, 2023