我们提出了一种在视频处理中引入测试时适应性的框架，将其整合到迭代扩散反转过程中。训练阶段使用基于扩散的网络和新的时间噪声模型，推理阶段通过扩散管道自校准进行在线适应。实验表明，该方法在恢复受天气影响的视频方面优于现有技术，并在合成和实际视频中对未知天气条件表现出色。

本文介绍了一种将测试时适应性整合到迭代扩散反转过程中的框架，通过扩散网络和时间噪声模型来探索退化视频剪辑中的帧相关信息。实验结果表明，该方法在恢复受天气影响的视频方面优于最先进的方法，并在合成和实际世界视频中对未知天气条件的普适能力得到了验证。

该研究提出了一种将测试时适应性整合到迭代扩散反转过程中的框架，通过扩散网络和时间噪声模型来探索退化视频剪辑中的帧相关信息。实验结果表明，该方法在恢复受到已知天气条件影响的视频方面优于最先进的方法，并在合成和实际世界视频中对未知天气条件的普适能力也得到了验证。

该文章介绍了一种将测试时适应性整合到迭代扩散反转过程中的框架，通过扩散网络和时间噪声模型来探索退化视频剪辑中的帧相关信息。实验结果表明，该方法在恢复受天气条件影响的视频方面优于最先进的方法，并在合成和实际世界视频中对未知天气条件具有普适能力。