该研究提出了一种基于参考的方法来恢复模拟磁带中的数字化录像带，通过零样式异常检测和参考帧选择，结合跨关注和注意力汇聚技术设计了一种基于变压器的网络，以实现邻近帧和参考帧的特征融合，定量和定性实验证明了该方法相对于其他现有技术方法的有效性。

Oct, 2023

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

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

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

我们提出了一种 Swin Transformer 为骨干结构的时空对齐 SUNet（STA-SUNet）模型，用于捕捉低光视频特征并利用它们的时空相关性，通过在新颖统一的 BVI 数据集上进行比较分析，该模型在各个测试数据集上体现出卓越的适应性，获得最高的 PSNR 和 SSIM 值，尤其在极低光条件下效果显著。

Mar, 2024

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

本文提出了一种新的视频修复框架 VOTES，它通过引入退化特征映射来显式地指导视频修复过程，利用深度学习技术实现对社交媒体上用户视频的修复，数据源包含了大规模的真实世界数据库。

Aug, 2022

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

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

本文提出了一个基于深度学习的医学视频分割框架，通过时间特征融合和 Swin Transformer 编码强大的全局空时特征以及使用 UNet 编码解码结构，实现了在 VFSS2022 数据集上分割性能显著优于其他方法的效果。

Feb, 2023