本文提出了一种从单张运动模糊图像中提取视频序列的方法，使用深度学习方案逐步重构时间排序。该方法可以成功地从单张运动模糊的图像中检索到清晰的图像序列，可以在不同的相机捕捉到的合成和真实数据集上很好地推广。

Apr, 2018

本文提出了一种基于学习的方法，利用自监督学习优化现有的去模糊神经网络，通过强制输出与输入模糊图像匹配的光流，从而改善现有方法在多个数据集上的性能表现，同时保证了输出结果更贴近于潜在图像的内容。

Jan, 2018

本文提出一种可微分的重新模糊模型，支持自我监督的运动去模糊，通过利用从连续图像中获取的运动线索，将去模糊问题突破为反渲染问题，包括使用卷积神经网络和真实数据集进行实验，并证明单幅图像自我监督去模糊是可行的，能够实现视觉上令人满意的结果。

Feb, 2020

设计了一个端到端的自动编码器网络来提取运动模糊图像中的视频信息，生成具有时间上连续性的清晰图片序列，同时实现了实时的单张图像去模糊操作，结果表明我们的方法在精度、速度和紧凑性方面均优于现有方法。

Apr, 2018

提出了第一个自监督框架来解决基于脉冲引导的运动去模糊任务，通过理论关系和知识蒸馏设计轻量级去模糊网络，生成与原始输入亮度和纹理一致的高质量序列。

Mar, 2024

本文提出了一种利用视频进行无监督表示学习的方法，采用时序一致性作为监督信号，将表示学习形式化为序列排序任务，通过训练卷积神经网络对打乱的图像序列进行排序，以预测正确的顺序。实验结果表明，我们的方法在行动识别、图像分类和物体检测任务上比状态 - of-the-art 方法效果更好。

Aug, 2017

我们的目标是发现和定位图像序列中的单调时间变化。为了实现这一目标，我们利用了一个简单的代理任务，即对乱序图像序列进行排序，通过 ` 时间 ' 作为监督信号，因为只有与时间单调变化的改变才能产生正确的排序。我们还引入了一种灵活的基于 Transformer 的模型，用于任意长度图像序列的通用排序，并具备内置的归因图。经过训练，该模型成功地发现和定位了单调变化，同时忽略了周期性和随机性的变化。我们展示了该模型在多种视频场景和对象类型中的应用，发现了未见序列中的对象级和环境变化。我们还证明了基于注意力的归因图作为有效的提示用于分割变化区域，并且学到的表示可以用于下游应用。最后，我们展示了该模型在对图像集进行排序的标准基准上达到了业界最高水平。

Apr, 2024

该论文介绍了一种基于编码器 - 解码器结构的视频清晰化方法，通过将视频序列和运动因素作为潜在因素，将单个模糊图像作为观察值，设计了一种损失函数和正则化器，经过大量实验验证了该方法的有效性和可转移性。

Apr, 2021

本研究提出一种名为 Shuffling sEquence gEneration Network (SEE-Net) 的模型，通过打乱视频帧的顺序并将其与真实视频序列进行比较来学习区分非自然的顺序信息，从而提升了视频预测的效果，实验结果表明该模型在合成和实际场景视频上的表现都优于其他先前的方法，其具有生成更加真实的内容，顺序信息对于视频生成至关重要的特点。

Jul, 2019

本文提出了一种基于无监督方法的视频帧预测技术，相比直接预测未来帧中每个像素点，本文预测未来帧的变换过程，同时提出了一种新的评估协议，该方法在 UCF-101 数据集上进行了验证，在参数和计算成本上更加高效。

Jan, 2017