本研究提出了一种动态记忆预测框架，解决了现有视频重建方法在复杂场景下对多参考帧的忽视问题。该框架通过引用帧记忆引擎和双向目标预测网络，提高了细粒度视频目标跟踪的精度和鲁棒性，实验结果表明其优于现有自监督技术。

本研究提出了一种新的4D高斯溅射算法，有效解决了动态场景合成中单目视频的过拟合问题，并通过引入不确定性感知正则化显著提升了视频重建性能。

本研究探讨了脉冲神经网络（SNN）的训练方法，提出了多种新算法和框架，提升了音频压缩、视频重建和语音识别等任务的性能，强调了稀疏脉冲编码的优势及其在复杂时间信息处理中的应用潜力。

本研究提出多种基于变压器的模型，旨在提升医学图像分割、高光谱解混合、视频重建和人体姿态估计等任务的性能。通过创新模块和框架，如混合变压器 U-Net 和 3D 卷积-Transformer 混合模块，实验结果表明这些方法在各自领域优于现有技术，展现出广泛的应用潜力。

本文介绍了多种基于事件相机的深度学习方法，如E2HQV、eSL-Net和HyperE2VID，旨在提升图像和视频重建质量。研究表明，这些方法在真实世界数据集上表现优异，超越了现有技术，具有更好的重建质量和更短的推理时间。

本文介绍了Mind-Video模型，该模型通过对抗性指导从fMRI数据中重建高质量视频，性能比现有模型提高了45%。研究还提出了NeuroCine框架，解决了fMRI数据中的噪声和冗余问题，显著提升了视频重建效果。该方法在多个公开数据集上测试，展现出良好的生物合理性和可解释性，推动了对人脑视觉处理的理解。