本文提出了一种基于监督学习策略的视频降噪方法 RViDeNet，并构建了一个包括 55 组带噪声 - 无噪声对的动态视频数据集，实验表明我们的方法在室内外视频降噪方面表现优于现有算法。

Mar, 2020

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

本文介绍一种基于深度学习的视频去噪算法 EMVD，采用高效的多阶段策略，通过可学习可逆线性运算处理视频傅里叶变换得到的频域表达来实现低复杂度的视频去噪，并且在真实数据上的实验表明 EMVD 在保证效能的情况下，可以实现在手机 SoC 上的实时去噪。

Mar, 2021

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

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

本文介绍了实时可控降噪 (RCD) 的方法，该方法使用轻量级模块将最后输出单噪声映射的 CNN 模型替换为输出多个噪声映射的模块，并通过噪声去相关处理使得任意降噪水平可通过噪声映射插值进行控制。该方法不需要网络推断，可以在不牺牲原始性能的情况下对各种现有的大型模型进行实时可编辑的图像和视频降噪操作。

Mar, 2023

本文提出了一种无监督的深度学习视频去噪方法 UDVD，可以通过单个短暂的有噪声视频进行训练，在显微镜检查、荧光显微镜和电子显微镜图像处理等领域具有广泛的应用前景，且无需显式的运动补偿，自适应性能比传统算法更高。

Nov, 2020

本文提出了一种新的 VSR 方法，采用重建模块和深度推理模块来高效利用相机传感器数据。与现有方法不同，该模型在分离超分辨率和颜色校正的过程中具有显著性能优势。

Aug, 2020

提出了一种用于图像到视频生成的方法，通过添加更多精确的图像信息和噪声修正，提高生成视频的保真度。

Mar, 2024

本文提出一种基于模块化结构及特征关注的单步盲目真实图像去噪网络 (RIDNet)，在三个合成噪声和四个真实噪声数据集上通过 19 个最先进的算法的评估，表明 RIDNet 在定量指标和视觉质量上均具有优越性。

Apr, 2019