本研究提出了StableMotion方法，旨在解决运动捕捉数据中的视觉伪影问题。该方法通过运动质量指标有效训练模型，减少对高质量配对数据的依赖，从而显著降低运动伪影的出现。

本研究解决了扩散模型中的视觉伪影问题，揭示了伪影产生的三个阶段：剖析、变异和细化。提出的ASCED方法通过监测异常评分动态实时修正伪影，实验证明其在多个领域有效减少伪影，且无需额外训练，效果优于现有方法。

本研究提出双路径频率增强网络（DFENet），通过频率分析和分治法显著提升图像去马赛克的高频纹理恢复性能，尤其在复杂图案和视觉伪影处理方面表现突出。

该文章介绍了一种新的视频生成模型，使用混合的显式隐式三平面表示法和单一潜变量模型来捕捉依赖关系，并通过合成单个视频帧来生成整个视频序列。该方法计算复杂性降低了2倍，减少了视觉伪影的生成。通过集成基于光流的模块，进一步增强了模型的能力，能够合成高保真的视频片段。在三个不同数据集上验证了该方法的有效性和多功能性。