介绍了用于 4D 动态医学图像的间隔时间体积插值网络 (SVIN)。SVIN 是利用三维卷积神经网络 (CNN) 进行无监督参数体积配准的空间 - 时间运动网络，并使用新的回归模块来表征功能器官结构中的周期运动循环。在实验结果中，SVIN 比最先进的医疗插值方法和自然视频插值方法表现更好，并且优于最先进的无监督医疗注册方法。

Feb, 2020

该研究论文提出了一种新的无监督学习方法，使用卷积神经网络在端到端框架下进行三维医学图像配准，通过三个创新技术组件实现高性能，并且实验证明其在医学图像配准方面优于传统的基于优化的方法。

Feb, 2019

本文是一篇关于计算机视觉中视频插帧的研究，提出了一种基于不确定帧率和曝光时间的一般情况下视频插帧问题的解决方案。使用四个连续的清晰帧或两个连续的模糊帧，通过得出一般曲线运动轨迹公式的方法解决了现有视频帧插值方法只适用于特定时间先验的问题，并通过相邻运动轨迹中的约束定义了一种新的光流细化策略以提高插值结果。实验表明，一个训练良好的模型足以在复杂的实际情况下合成高质量的慢动作录像。

Dec, 2021

这篇论文提出了使用多视角视频进行无监督 4D 视觉场景理解的方法，可以同时估计每个像素的具体模型和实例级别分割，并利用最近的 3D 姿势估计技术约束联合语义实例分割和 4D 时间上连贯的重建，以能够精准地分割多个动态场景中相互作用的人，实验表明与现有方法相比，语义分割、重建和场景流的准确性都显著提高了大约 40%。

Jul, 2019

通过流体力学的灵感，我们提出了一种使用隐式神经表示连续建模患者解剖运动的新方法，有效地桥接了欧拉和拉格朗日规范，从而自然地促进了连续帧插值。

May, 2024

本文提出了一种基于循环一致性和伪监督的无监督技术，用于实现从低帧率视频直接合成高帧率视频。实验证明，该技术可以在不使用任何额外数据的情况下，显著提高预先训练模型在新目标域上的性能，从而大幅增加 PSNR 值。

Jun, 2019

本研究介绍了一种有效的视频帧插值框架，通过采用深度卷积和创新的高清增强策略，实现了对视频帧处理效能和质量的平衡。

Apr, 2024

本研究提出一种真正的多帧插值器，它利用时间域的金字塔式网络一次性完成多帧插值任务，并使用放松的损失函数流估计过程和先进的基于三次样条的运动模型以提高插值精度，结果表明在 Adobe240 数据集上，所提出的方法生成视觉上令人满意的、时间上一致的帧，比当前最佳的即席方法在 PSNR 上提高 1.57db，模型体积减小 8 倍，速度快了 7.7 倍，并且可以轻松扩展以插入大量新的帧.

Jul, 2020

本文介绍了一种训练深度神经网络，从单目输入的视频中联合推断流体中移动的三维流和体积密度的方法，该方法不需要任何 3D 地面真实数据用于训练，并且可以在没有体积监督的情况下，利用实际世界的捕捉设置观察来训练模型。

Feb, 2023

该研究提出了一个名为 UVIT 的新型无监督视频到视频翻译模型，采用专用编码器 - 解码器结构和双向循环神经网络单元，通过风格内容分解机制使得其能够实现样式一致的视频翻译结果，并通过更改输入帧和风格码提出一种视频内插损失，可以以自我监督的方式训练建筑块。该模型能够以多模式方式生成现实照片和时空一致性的翻译视频。

Apr, 2020