动态场景下滚动快门纠正与去模糊
本文提出了一个实现滚动快门矫正的数据集 BS-RSC 和相应的模型。该模型具有自适应扭曲和适应性变形，可以将学习到的 RS 特征自适应地扭曲成全局快门对应物并重建成高品质的全局快门帧。实验结果表明，该方法有效，并且我们的数据集可以提高模型在现实情况下消除 RS 效应的能力。
Apr, 2022
本文提出了一个基于双向反向 RS 图像进行自监督训练的 DRSC 网络框架 ——SelfDRSC，该框架可以校正特定的图像捕获方法 ——RS 的失真，并可训练生成高帧率 GS 视频，实验结果表明 SelfDRSC 对真实场景的 RS 图像处理效果更佳。
May, 2023
探索场景动态恢复的一个事件感知、自监督的方法，其中用于预测任意时间间隔内像素间的动态的 E-IC 压缩器，是该领域中最先进的方法之一，旨在应对摄像机 / 物体运动的先验知识不可用时，由缺少动态信息造成的严重不适定问题。
Apr, 2023
本文提出了一种上下文感知的全局快门视频重建体系结构，通过估计双边运动场，引导全局快门帧合成，产生任意时间高保真度的全局快门视频帧，并在合成任务的相关任务中提供简单而有效的全局快门帧初始化。
May, 2022
本文研究使用全局复位的卷帘快门（RSGR）来纠正摄像机运动带来的几何畸变，通过开发包含时空设计的改进算法和现有图像到图像翻译算法，利用光学系统实现视频畸变纠正，并在不改变硬件的情况下，取得比目前的 RS 解决方案更高效和有效的结果。
Apr, 2022
通过扩散技术和设计的补丁注意力模块，我们提出了 RS-Diffusion - 第一个基于扩散模型的单帧滚动快门（RS）校正方法。我们还提出了 RS-Real 数据集，其中包括被 RS 坏像帧以及通过相应的惯性测量单元（IMU）陀螺仪数据校正成的 GS（Global Shutter）基准图像对。实验证明，我们的 RS-Diffusion 超过了之前的单帧 RS 校正方法。我们的方法和提出的 RS-Real 数据集为推进 RS 校正领域奠定了坚实的基础。
Jul, 2024
本文提出了一种新框架，通过反向扭曲操作直接估计失真流并修正滚动快门（RS）图像，通过全局关联流注意机制初步估计初始失真流和全局快门特征，并通过粗糙到精细的解码器层进行进一步优化，实验证实了该方法的有效性，在各个基准测试中优于现有方法同时保持高效性。
Apr, 2024
本文介绍了一种基于深度学习的滚动快门校正方法，使用两个相邻帧的图像进行矫正，并在全局快门图像的中间时间点上预测出该图像，相较于现有方法具有更好的效果。
Aug, 2021
本文提出了一种基于双重滚动快门相机捕捉的成像方法，通过迭代学习速度场来生成双重光流序列，以此提取全局快门帧序列。IFED 模型被证明在处理不同读取设置和带有相机运动和物体运动的动态场景数据方面具有比当前最先进方法更好的表现。
Mar, 2022
本文介绍了一种基于滚动快门 SfM 的关键运动序列 (CMSs) 的处理方法，通过采用线性化纯旋转 RS 摄像机模型，将 RS 变形近似表达为虚拟相机的两个内部参数加上类似于镜头变形的单参数非线性变换，将问题重构为虚拟相机的自标定，并推导了 CMSs 的一般表示。
Nov, 2016