本文提出了一种基于深度学习模型的视频压缩方法，其中利用神经网络的非线性表征能力和学习基于光流估计获取运动信息并重构当前帧的方法，同时采用两个 auto-encoder 风格的神经网络来压缩相应的运动和残差信息以共同优化所有组件，并通过单一损失函数来一起考虑减少压缩比特数和提高解码视频质量之间的权衡，实验证明该方法在 PSNR 方面优于广泛使用的 H.264 视频编码标准，在 MS-SSIM 方面甚至与最新的标准 H.265 相当。

Nov, 2018

文章提出了一种基于深度生成模型和序列数据的变分自编码器模型，用于视频压缩，经测试取得了竞争性的压缩效果。

Oct, 2018

通过联合训练多个连续帧的压缩表现，充分利用长期时间信息有效地减轻了重构帧中的错误传播。同时，在线编码器更新方案适应不同的视频内容，根据速率失真准则更新编码器参数而不改变解码器，在基准数据集上优于基于学习的视频编解码器。

Mar, 2020

本文提出了一种通过建模帧之间的条件熵来进行视频压缩的方法，与以往的学习方法不同，我们假设每个帧都使用一个独立的先进深度图像压缩器进行编码。我们的方法在保证解码速度的前提下，在高比特率的 UVG 视频中优于 H.265 和其他深度学习基线，在低帧率下优于所有视频编解码器，同时比使用自回归熵模型的深度模型解码速度快数千倍。

Aug, 2020

本研究介绍了一种新方法 Deep Uncertainty Distillation using Ensembles for Segmentation (DUDES)，它能够高效地进行深度神经网络的预测不确定性估计，而不会牺牲性能，以解决自动驾驶、医学图像和机器视觉应用中模型可靠性不足的问题。

Mar, 2023

本文提出了一种新的框架，利用视频压缩的低延迟配置和上下文自适应视频融合方法，提高 BasicVSR ++ 方法的质量，已在 NTIRE22 挑战中得到验证，并在定量指标和视觉质量方面与之前的方法相比均有所提高。

Feb, 2023

本研究提出了一种新的基于已有组件的网络结构用于快速学习视频压缩，针对现有方法的图形概率模型进行了分析并指出了实验评估中观察到的时间一致性和颜色偏移的问题，并提出了解决这些问题的方向。

Apr, 2020

本文提出了一种基于深度生成模型的视频压缩方法，采用三维自编码器和自回归先验以最小化速率失真损失，实现编码效果优于现有的基于运动补偿或插值的视频压缩网络，并且在设计选择和压缩技术方面进行了系统评估和扩展，包括语义压缩、自适应压缩和多模态压缩，以便在非标准成像传感器捕获的多个模态数据上实现联合压缩。

Aug, 2019

本研究提出了多模式视频压缩（MMVC）框架，通过深度学习和区块式模式集成选择最佳模式来适应各种动作模式和熵模型，包括 ConvLSTM，光流条件化特征域预测和特征传播，通过对空间块进行时间预测，以最大程度地减少数据的冗余和失真。实验表明，与最先进的视频压缩方案和标准编解码器相比，本方法在 PSNR 和 MS-SSIM 度量方面获得了更好或具有竞争力的结果。

Apr, 2023

通过使用 Packed-Ensembles 策略，增加结构性的轻型集合并使用分组卷积来提高训练和推理速度，以实现在标准神经网络的内存限制下的操作，从而保留 Deep Ensembles 的性质并在准确性，校准性，分布偏移的鲁棒性方面表现同样出色。

Oct, 2022