本文提出了一种有效的参考帧策略和一种基于 FFT 的损失方法，以提高已有多帧方法的性能，实验结果表明，我们的方法在 MFQE2.0 数据集上表现优异，赢得了 NTIRE 2021 质量提升重度压缩视频挑战赛的 Track 1 和 Track 2，并在 Track 3 中排名第二。

May, 2021

本研究提出一种基于情景感知的实时流式传输方案，以实时识别重要事件和降低发射功率。该方案主要利用少量隐藏层的小型神经网络在源端对特定情景下的帧进行高重要性分配，并将高重要性的帧与一定信噪比的低重要性帧同时流式传输，在接收端进行深度神经网络分析提取准确的情景并节约约 38.5% 的能源。

Apr, 2022

本文提出使用一阶光流和二阶流预测来利用时间相关性进行视频编码，采用一阶段学习方法将流作为连续帧的量化特征包装，然后利用联合空间 - 时间先验条件下的适应性上下文熵编码，并使用 ConvLSTM 逐层嵌入联合先验，分别从自回归空间邻居、共位置超元素和时间邻居中获取。本文的实验评估表明，该方法在常用的测试序列上取得了最先进的表现结果。

Dec, 2019

该研究引入了一种基于流的方法，用于实时异步压缩事件流数据的生成，通过利用实时光流估计来预测未来事件，从而显著减少数据传输量，并展示了该方法在不同数据集上实现了平均 2.81 的压缩比，与 LZMA 压缩结合使用可以实现 10.45 到 17.24 的高压缩比。

Mar, 2024

我们提出了一种新颖的系统，利用稀疏的解压表示来传达监控视频中的时间冗余。通过将帧视频转码为稀疏的、异步的强度样本，我们引入了内容适应、有损压缩和经典视觉算法的异步形式的机制。我们在 VIRAT 监控视频数据集上评估了我们的系统，并展示了相对于 OpenCV 的 FAST 特征检测速度提高了中位数 43.7%。我们运行与 OpenCV 相同的算法，但只处理接收到新异步事件的像素，而不是处理图像帧中的每个像素。我们的工作为即将到来的神经形态传感器铺平了道路，并且适用于未来的脉冲神经网络应用。

Dec, 2023

Mobile streaming video is often affected by the unstable bandwidth of modern wireless networks resulting in playback interruptions; this paper proposes a machine learning framework called Video ATLAS, which combines several quality-related features to predict users' quality of experience and provides improved performance over existing metrics while generalizing well on different datasets, enabling cost-effective adaptive network strategies.

Mar, 2017

本研究旨在改善在线人脸活体检测系统，提高下游人脸识别系统的安全性。提出了一种基于时间一致性的简单而有效的解决方案，包括在训练阶段引入时间一致性约束的方法和开发出一个无需训练的非参数不确定性估计模块，以适应各种场景的演示攻击，并且在计算复杂度更低的情况下比现有方法在多个公共数据集上至少提高 40％的 ACER 值，具有很大的潜力应用于低延迟的在线应用。

Jun, 2020

实时视频摘要算法通过从用户指定数量的管道中提取对象帧来逐帧拼接摘要视频，与全局能量最小化系统相比具有更大的灵活性，该算法可以根据用户的跟踪能力设置对象数量阈值，生成无碰撞、视觉效果良好的摘要视频，实验证明该算法在减帧率方面优于现有方法。

Sep, 2023

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

文章提出了一个基于稀疏表示和压缩感知的超分辨率框架，用于在侦察和监视应用中对可扩展视频进行处理，实验结果表明，该框架具有更高的压缩率和更高的视频质量，是一种有效的压缩率更高、图像质量更优的视频处理算法。

Jul, 2017