本文提出一种创新的方法，将 Transformer 编码器和卷积特征相结合，从而减少了近 50% 的内存负担，在推理时间上比现有的基于 Transformer 的插值方法运行速度提高了近四倍，并引入双编码器架构来结合局部相关的卷积和远程相关的 Transformer。在复杂运动方面进行了定量评估，展示了所提出方法的鲁棒性，与最先进的插值网络相比，取得了竞争性能。

Jul, 2023

本文提出了一种使用一对一维卷积核将视频帧插值建模为本地可分离卷积的方法，使用深度卷积神经网络对图像特征进行训练，从而实现了高质量的视频帧插值，无需人工标注。

Aug, 2017

通过使用一个深度卷积神经网络，将视频帧的插值过程作为一个单一卷积过程来处理，可以更好地解决运动估计质量的问题，并且能够优雅地处理一些挑战如遮挡，模糊和亮度变化，从而实现高质量的视频帧插值。

Mar, 2017

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

该研究旨在利用卷积神经网络及非局部冗余优化视频压缩，达到与预处理去噪 CNN 类似的编码增益，同时只需要约为 1% 的计算复杂度，适用于资源受限的条件下进行视频压缩。

Oct, 2019

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

通过用一种新型卷积神经网络（CNN）来编码不变性的再生核，本文解决了视觉识别中旨在设计对特定变换具有不变性的图像表示的问题， 其中与传统方法不同的是，我们的网络学习在训练数据上逼近核特征映射，从而带来了多个优势，包括获得具有不变性的简单神经网络体系结构，实现与更复杂 CNNs 相似的准确度，以及抵抗过拟合等。

Jun, 2014

本论文提出基于卷积层中滤波器基的卷积神经网络参数数量缩减的方法，通过在多个 CNN 架构上对图像分类和图像超分辨率基准进行实验，结果表明该方法在减少参数和保持精确度方面优于现有技术。

Aug, 2019

本文介绍了一种新的视频帧插值方法 ——PhaseNet。相较于传统方法和基于深度学习方法，PhaseNet 可以更好地处理光照变化和运动模糊等挑战性场景，并且也适用于更大范围的运动，通过直接估计中间帧的相位分解，避免了使用手工设计启发式方法的缺点。

Apr, 2018

本文介绍了一种在训练期间利用卷积神经网络（CNNs）中学习到的滤波器的显着冗余的方法，通过找到一组小滤波器和混合系数来推导每个卷积层中的每个滤波器，从而减少训练参数。作者使用 CT 图像进行 3D 肺结节分割，证明了该方法只需要少量训练例子即可获得良好的结果。

Dec, 2016