论文提出了一种新颖的动态滤波策略来实现静动态场自适应降噪，并介绍了一种消除噪声同时保留重要信息的全局动态稀疏交叉协方差注意力机制，以及一种选择性调节不同频率特征依赖性以减少空间衰减和补充运动边界的多尺度双路径门控机制。实验证明，EulerMormer 从 Eulerian 的角度实现了更强大的视频运动放大，明显优于现有方法。

Dec, 2023

提出了一种由事件相机和传统 RGB 相机组成的双摄像头系统，结合了事件流的时间密集信息和 RGB 图像的空间密集数据，以实现对高频运动的广泛和经济有效的放大，通过深度网络解决了高频运动和微小运动放大的问题。

Feb, 2024

SpikeMM 是一种基于 spike 的算法，专门为高速运动放大而设计，通过多级信息提取、空间上采样和运动放大模块的集成，实现了自我监督方法适用于各种场景，并与高性能超分辨率和运动放大算法无缝结合，经验证在实际高频设置中放大运动的能力。

Jun, 2024

实时视频运动放大技术的关键发现是减少潜在运动表征的空间分辨率和使用单一线性层和单一分支来实现运动放大任务。基于这些发现，我们介绍了一个实时的深度学习基于模型，比之前的方法具有更高的计算效率和速度，同时保持了相当的质量。

Mar, 2024

本文提供了一种使用深度卷积神经网络从示例中直接学习滤波器并通过合成数据集进行训练的方法来提高视频运动放大技术的质量，这些方法可以在真实视频上获得高质量的结果，并且利用时间滤波器可用于中度放大，同时分析了所学得的滤波器与以前的方法中使用的导数滤波器的相似之处。

Apr, 2018

改进了通过提出一种名为轴向动作放大的新概念来提高视频动作放大的可读性，该方法可以放大沿用户指定方向的分解动作，并通过 Motion Separation 模块进行学习，以实现对特定轴的运动的放大和简化，从而提供更容易阅读的动作信息，并可应用于多种应用中具有特定运动轴的关键性运动。

Dec, 2023

本文提出基于多级小波分析的视频预测网络，以应对图像失真和时间不一致等现有预测模型所存在的问题，大量实验结果表明，本方法相较其他最先进的方法，具有更高的保真度和时间一致性。

Feb, 2020

提出了两种通用方法来增强自监督单目深度估计模型的普适性，分别是模糊边界和自适应高斯滤波器。实验证明这两个模块能为现有模型带来性能提升而不增加额外计算量。

Oct, 2022

本研究提出了一种基于 Swine Transformer 的视频运动放大技术的新模型，具有更好的对噪声输入的容忍性和输出高品质荧光的能力，可用于在任何依赖放大视频序列的应用程序中实现更精确的测量，为视频运动放大技术在新技术领域的进一步发展打下基础。

Feb, 2023

本文提出了一种基于频域的自监督预训练的方法，称作 Masked Frequency Modeling（MFM），通过在图像的频率分量上进行遮蔽，并预测其丢失的频率信息来学习图像的表示，实验证明该方法在图像分类、语义分割以及鲁棒性测试方面的性能优于其他最近的基于遮蔽的图像建模方法。此外，本文还全面调查了传统图像恢复任务对于从频域角度进行表示学习的有效性，并揭示了它们与 MFM 方法之间的有趣关系。

Jun, 2022