本研究提出了一种基于掩膜的运动轨迹框架，能够将静态图像转化为真实视频序列，有效解决了对象运动不准确和不一致的问题。该方法在多对象和高运动场景中展现了优异的时序一致性和文本提示忠实度。

本研究提出了Helvipad数据集，包含40K帧视频序列，旨在解决全向成像中立体深度估计的数据不足问题。研究表明，现有方法表现尚可，但深度估计的准确性仍需提升。

本文提出了一种新型密集长期追踪模型MFTIQ，显著提升了视频序列中的点级视觉追踪准确性和灵活性，尤其在复杂场景中表现突出。实验结果表明其处理速度快，性能与先进追踪器相当。

本文介绍了一种自监督学习方法SelfOcc，通过视频序列学习3D占用情况，优化3D场景表示。该方法在多个数据集上取得了先进的结果，尤其在自动驾驶车辆感知系统中展现了潜力。研究还提出了结合时间渲染和占据流的基于神经辐射场的新方法，提升了体素占据预测的性能。

本文介绍了一种新的视频序列运动估计方法，利用全局一致的运动表示和双向对应实现像素级跟踪，确保全局一致性并处理遮挡。此外，文中还探讨了自监督学习3D运动和深度的方法，以及基于深度神经网络的未来帧预测技术，这些方法在多个数据集上表现优异。

当前语言模型在理解复杂和长期任务时存在困难。该论文通过联合建模视频序列的时间信息和语言的静态图像，实现了更广泛的人工智能能力。

该文介绍了一种基于多阶段LSTM网络的动作预测方法，能够在视频序列仅有少量片段的情况下实现高准确度的预测。在多个公开数据集上，相对提升了22.0％（JHMDB-21），14.0％（UT-Interaction），和49.9％（UCF-101）的准确率。