本文提出了一种双向流式视频去噪方法，借助于双向缓存块这一核心模块，实现了对过去和未来时间段内的噪声进行实时去除，并可用于非盲和盲视频去噪的情况下，最终实验结果显示在合成和实际噪声方面，我们的方法在恢复保真度和运行时间方面优于以前的方法。

Jul, 2022

提出了一种名为 FastLLVE 的高效管道，利用查找表（LUT）技术有效地保持帧间亮度一致性，从而实现低延迟和低复杂度的低光场景视频增强操作。

Aug, 2023

该研究提出了一种实用的盲自适应卫星视频超分辨率算法（BSVSR），通过粗到精的方式考虑像素级模糊程度，探索更多的锐度线索，并使用金字塔空间转换模块在多层次领域中调整锐度中间特征的解空间，从而在模拟和实际卫星视频上表现出色，优于最先进的非盲和盲自适应超分辨率模型。

Jan, 2024

提出了一种基于时空循环网络的在线视频去模糊方法，可以实时处理，通过引入动态时间混合来强制执行连续帧之间的时间一致性，在大范围内解决相机抖动和快速移动对象造成的模糊问题，并在实验评估中表现出优越性。

Apr, 2017

本研究提出了一个新的基于事件的去模糊方法，通过利用不同空间和时间尺度的运动模糊信息，构建了一个适应实际场景的多尺度网络，通过自我监督学习来提高准确性，并引入一个包含多尺度模糊帧和事件的真实世界数据集以促进事件驱动去模糊研究。

Aug, 2023

本文提出了一种基于残差稠密块和全局时空注意力模块的实时视频去模糊方法 (ESTRNN)，并提供了一个新颖的真实世界基准数据集 (BSD)，实验证明该方法在低计算成本下可以达到更好的去模糊效果比合成数据集具有更高的普适性。

Jun, 2021

提出一种名为 BEVDet4D 的新型监测方法，将视觉单帧数据提升至时空 4D 空间，通过对前一帧和当前帧候选特征的对比，使 BEVDet4D 能够访问时间线索，已达到与雷达检测方法相媲美的检测表现

Mar, 2022

利用改进的 3D 卷积对空间和时间领域进行联合建模，进而提高视频去模糊性能，在 GAN 模型中使用内容和对抗损失函数对模型进行训练，并称其为 DBLRGAN 模型，测试结果最先进。

Mar, 2018

提出了一种名为 BSSTNet 的模型，它通过引入模糊图，将初始的密集注意力转化为稀疏形式，从而更全面地利用整个视频序列中的信息。BSSTNet 在变换器中使用了更长的时间窗口，利用较远帧中的信息来修复当前帧中的模糊像素，同时引入了由模糊图引导的双向特征传播，降低了由模糊帧引起的错误累积。实验结果表明，提出的 BSSTNet 在 GoPro 和 DVD 数据集上优于现有的方法。

Jun, 2024

本文介绍了一种使用神经网络的实时视频去模糊技术，将多个连续模糊的图像传递信息给递归神经网络来还原所需的清晰图像或视频。

Aug, 2017