历史档案的模拟视频经常因胶带支撑物的退化而导致严重的视觉退化，需要耗时昂贵的手动干预才能恢复原始内容。本论文提出了一个多帧方法的系统，能够处理严重的胶带偏离导致的短帧问题。我们在一个重要的历史视频档案中进行了测试，并展示了我们的演示系统的有效性。代码和预训练模型可在链接中公开获取。

Nov, 2023

提出了一种结合时间卷积神经网络和注意力机制的半交互式单一框架，用于修复陈旧影像并彩色化，其性能优于现有方法，并随视频时长和引用图像数量的增加而提高。

Sep, 2020

本文提出了一种学习框架 —— 循环 Transformer 网络 (RTN)，用于修复破损的旧电影。该方法基于从旁边的帧中学习到的隐藏知识来进行恢复，能够有效推断划痕位置，同时保证时间连续性，利用更强大的 Transformer 块进行空间恢复，实验表明该方法优于现有的解决方案，并且可以有效地传播关键帧的颜色，最终呈现出令人信服的恢复电影。

Mar, 2022

提出一种基于异常检测的视频取证方法，通过训练自回归模型使用视频帧和声音的特征集来区分真实视频和人工篡改的视频，具有较强的检测能力。

Jan, 2023

本文提出了一种有效的参考帧策略和一种基于 FFT 的损失方法，以提高已有多帧方法的性能，实验结果表明，我们的方法在 MFQE2.0 数据集上表现优异，赢得了 NTIRE 2021 质量提升重度压缩视频挑战赛的 Track 1 和 Track 2，并在 Track 3 中排名第二。

May, 2021

本文介绍了一种基于 Transformer 的视频修复方法，利用时序信息进行跨帧高清图像恢复，在多个基准数据集上均取得了高于现有方法的表现。

Jan, 2022

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

本文提出了一种基于深度学习的视频还原方法，其采用递归融合模块和可变形时空注意力模块进行补偿，从而提高了众多现有算法在 MFQE 2.0 数据集上的还原质量。

Aug, 2021

本文提出了一种新的方法 TSAN 用于解决因多次视频编码和转码而出现的视频压缩失真问题，该方法使用浅层编码视频作为中间标签以辅助实现自监督注意力训练，并使用邻域多帧信息进行转码视频恢复。实验结果表明，所提出的方法的性能优于以往技术。

Dec, 2021

非参考视频质量评估中，通过引入经过多个图像质量评估数据集预训练的增强空间感知模块和轻量级的时域融合模块，本研究实现了使用 Swin Transformer V2 作为本地级别空间特征提取器，并通过一系列 Transformer 层融合这些多阶段表示。此外，还利用时域 Transformer 在视频中进行时空特征融合。为了适应不同比特率的压缩视频，我们采用粗到精的对比策略，以增强模型区分来自不同比特率视频的特征的能力。这是一篇扩展版的一页摘要。

Jan, 2024