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

提出了一种基于隐式神经表示的无监督大气和水湍流抑制方法（NeRT），通过利用隐式神经表示和物理正确的倾斜 - 模糊湍流模型，仅仅依靠数十个扭曲输入图像就能重建出干净、无扭曲的图像，并且在大气和水湍流数据集的各种定性和定量评估中表现优于现有技术，同时展示了 NeRT 消除现实环境中的非受控湍流的能力，并将 NeRT 融入连续捕获的视频序列中实现了 48 倍的加速。

Aug, 2023

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

本研究提出了一种基于物理启发的转换器模型来处理大气湍流引起的图像失真，利用该模型可以提取动态湍流失真图并恢复无失真图像，并收集了两个现实世界的湍流数据集，用经典数据和一种新的任务驱动度量来进行评估。

Jul, 2022

本文介绍了一种用于恢复湍流环境中动态场景视频的首个先分割再恢复的流程。我们利用均值光流和无监督的运动分割方法，在恢复之前对动态和静态场景组件进行分离。经过相机抖动补偿和分割后，我们利用湍流强度统计和基于噪声的程序化湍流生成器上训练的转换模型进行前景 / 背景增强，以实现快速数据集增强。与现有的恢复方法相比，在视频中恢复了大部分几何失真并提高了清晰度。我们公开提供我们的代码、模拟器和数据，以推进从湍流中恢复视频的领域：ripponcs.github.io/TurbSegRes。

Apr, 2024

本文介绍了 VIELab-HUST 团队在 CVPR 2023 UG2+ Track 2.2 中，对经过大气湍流干扰后的编码目标进行图像恢复的高效多阶段框架，并在最终排行榜上获得第一名。

Jun, 2023

我们团队 VIELab-HUST 在 CVPR 2023 UG$^{2}$+ 比赛的 2.1 赛道中，通过大气湍流识别文本，使用多级框架、基于清晰度的帧选择算法、区域图像融合和学习性去除伪影方法，成功地恢复了高质量的图像，并获得了第一名的准确度。

Jun, 2023

本文提出了一种基于 transformer 架构的对比视觉转换器 (CVT) 框架，它设计了一种基于对比学习的强调学习策略，以实现在线学习的更好稳定性 - 可塑性权衡，并通过包含可学习的聚焦点来缓解遗忘。实验结果表明，CVT 方法在在线持续学习基准测试中达到最先进的性能，并有效缓解了灾难性的遗忘。

Jul, 2022

本文提出一种基于深度学习方法的视频去抖动和去模糊的方法，使用数据增强算法对湍流进行建模，使用 Wasserstein GAN 和 $l1$ 损失函数进行训练和还原，并结合子采样算法提高视频质量。

Jul, 2018

通过建立一个优雅而高效的 TCVE（Temporal-Consistent Video Editing）方法，本研究在大规模文本到图像（T2I）扩散模型的基础上，解决了文本引导视频编辑中的时间不连贯问题，取得了视频时序一致性和编辑能力方面的最新突破，并超越了该领域的现有基准。

Aug, 2023