本文提出了一种基于深度学习的多模态神经网络来去除讲述者视频的压缩伪影，这种方法可以显著提高冗余压缩下的视频质量。

Aug, 2020

该研究通过引入新的视频事件修复任务，提出了一种新的视频异常检测范式，其基于关键帧，使用具有双跳连接的 U 形 Swin Transformer 网络进行视频事件修复，并使用相邻帧差异损失约束视频序列的运动一致性，实验结果表明该方法比大多数现有方法表现更优秀。

Apr, 2023

本文提出了一种多模式深度卷积神经网络方法，用于恢复被激进压缩的脸部视频，并明确了多种模式的先验知识对于减少压缩伪影的重要性，实验证明了该方法对于面部视频的卓越性能。

Jul, 2021

该论文提出了一种包括多帧循环网络和单帧变形器的两阶段框架，并应用多种训练策略来缩短训练时间并提高模型性能，用于处理视频修复中的图像噪声、模糊及压缩失真等问题，在 NTIRE 2022 超分辨率和压缩视频质量增强的竞赛中获得了两个冠军和一个亚军。

Apr, 2022

针对压缩视频的质量增强任务，提出了 Compression-Realize Deep Structural Network（CRDS）方法，利用经典压缩编码器结构和深度网络能力相结合的方式，引入了三种与压缩编解码器中三个主要过程相匹配的归纳偏差。通过构建预训练的潜在降级残差自编码器、精确的运动估计和残差提取以及分解质量增强为一系列简单的降噪子任务，实验证明该方法在 LDV 2.0 和 MFQE 2.0 等数据集上超越了现有模型。

May, 2024

该研究提出了一种基于图像修复的异常检测方法，在多个基准数据集上显著优于现有方法，特别是在 ImageNet 上，Top-performing 基线的 AUROC 提高了 10.1%。

Nov, 2019

基于 GAN 的生成流程模拟了 UDC 的退化过程，创建了名为 PexelsUDC 的大规模数据集，通过该数据集对现有的视频修复方法进行了广泛的基准研究，并提出了一种基于 transformer 的基线方法，该方法在 PexelsUDC 上取得了最先进的性能。

Sep, 2023

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

提出了一种用于全能视频修复的交叉一致深度展开网络（CDUN）方法，通过使用单一模型来移除各种不同的退化，包括一个新颖的迭代优化框架和适应性处理各种退化的序列自适应退化估计器（SADE），以及利用窗口化的帧间融合策略来扩大时域接受野和利用远距离帧的信息，该方法在全能视频修复方面取得了最先进的性能。

Sep, 2023

本文提出了一种鲁棒、高效的循环视频修复转换器 ——RVRT, 它将局部相邻帧在全局循环框架内并行处理，并利用 “引导变形关注” 跨片段对齐预测多个相关位置，在基准数据集上达到了最先进的性能。

Jun, 2022