EvAnimate框架利用事件相机的高时间分辨率数据，解决了传统视频在时间分辨率和运动模糊方面的问题。该框架能够将静态人像转换为动态视频，显著提高视频质量和时间一致性，尤其在传统方法表现不足时展现出优越性能。

本研究提出了一种新颖的测试时间训练框架，解决了4D医学图像插值中的分布变化问题，提升了时间分辨率和诊断精度。实验结果表明，该方法在多个评估指标上表现优异，为图像分割和配准提供了有效的适应模板。

本文提出了一种基于子空间隐式神经表示的心脏运动磁共振成像重建框架，克服了传统方法在时间分辨率和动态捕捉方面的局限。该方法利用多层感知机学习空间和时间子空间基，显著提高了图像质量，能够在加速率为10和20时优化动态心脏事件的高分辨率成像，增强了诊断能力。

本文介绍了一种基于卷积模型的视频生成方法，通过逐步增加时间分辨率生成潜在视频表示，并在空时领域中解码。该方法在多个基准数据集上表现出稳定性和多样性，适用于3D动画制作，并提出了新的生成框架和技术，提升了图像到视频转换的效果。

研究提出了一种新方法GNRK，将图神经网络模块与受经典求解器启发的循环结构集成，能够解决一般的方程，对空间和时间分辨率变化具有鲁棒性，通过基准测试揭示了其在模型大小和准确性方面的优势。