通过使用生成变形场的方法，我们提出了一种全新的视频生成视角，可以有效地利用一张静态图像进行视频合成以提高视觉质量，并且实现对视频的内容和动作的解耦，使用户可以通过处理对应的静态图像来处理合成的视频，从而方便了许多应用如视频编辑、关键点跟踪和视频分割。

Dec, 2023

通过开发开源数据集和基于视频帧一致性原则的简单但有效的检测模型，研究论文更好地探索了生成视频检测的挑战和方法，以提高检测效果和推广能力。

Feb, 2024

提出了一种新的适应性流协作分组方法（Adaptive Collaboration of Flows，AdaCoF），可以综合处理复杂运动的广泛领域，加入双帧对抗性损失，用于视频帧内插计算，实验结果表明优于现有的最佳方法。

Jul, 2019

提出了一种利用深度神经网络预测自然视频序列未来帧的方法，通过运动和内容分解进行像素级预测，该模型基于编码器 - 解码器卷积神经网络和卷积 LSTM，同时独立捕捉图像的空间布局和相应的时间动态，并在多个时间步长上进行端到端训练。

Jun, 2017

提出了一种新的视频伪装目标检测 (VCOD) 框架，可以利用短期动态和长期时间一致性来检测视频帧中的伪装目标，采用单一优化框架统一了运动估计和对象分割，并使用空间 - 时间变换器从而有效地处理视频的时间动态，提供了一个名为 MoCA-Mask 的大规模 VCOD 数据集，为该方向的研究建立了综合性的基准测试。

Mar, 2022

本文提出了神经可变形场（NDF）来用于多视角视频中人体动态数字化。首先，采用拟合的参数化身体模型包围学习到的神经可变形场，并利用神经网络来映射动作到 NDF 的动态。实验表明，NDF 能够合成具有新视角和新姿势的数字表演者，具有详细和合理的动态外观，并且明显优于最近的人体合成方法。

Jul, 2022

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

基于神经网络的位移字段描述图像编辑和重定向，适用于不同类型的视觉数据，并且在内容感知重定向方面表现优于之前的方法。

Nov, 2023

使用可变形 3D 高斯方法进行动态场景重建，将高斯飞溅效果扩展以适应通过多层感知器定义的时间相关变形场的可变形高斯集合的表示，同时使用静态高斯点云允许多层感知器集中其表示能力，最终优化得到与状态最前沿的动态神经辐射场方法相媲美且具有更快的优化和渲染速度。

Dec, 2023

本研究提出了一种使用可变形卷积的视频帧插值方法，使用粗到细的 3D CNN 增强多流预测，实验结果表明，该方法的干涉性能优于其他现有算法，最高可以获得 0.19dB 的 PSNR 增益。

Feb, 2022