本文介绍了多种光流估计的新方法，如密集对应场方法、GMFlow框架和MeFlow，强调了自监督学习和注意力机制的应用。这些技术在多个数据集上表现优异，显著提高了光流估计的准确性和效率，同时降低了内存和时间成本。

本文提出了一种从单目视频中重建动态辐射场的新方法。我们通过将运动学和动态辐射场整合起来，弥合了单目视频的稀疏性和真实世界物理学之间的差距。我们的方法通过最小化光度损失而联合学习运动学场和动态辐射场，而无需运动的真实数据。与此同时，我们进一步用于基于运动学的物理驱动正则化器来增强我们的方法，并确保预测的运动学量的物理有效性，包括流体加速度和位移加速度。此外，我们根据预测的运动学量来控制运动轨迹...

本研究提出了多种基于神经表示和运动场的重建方法，以提高动态场景的重建质量和效率。结合模型驱动与数据驱动的方法，在光流场修复和视频压缩等领域展现了优越性能，推动了相关技术的发展。

MOFA-Video 通过使用各种额外的可控信号（例如人类标志物参考、手动轨迹以及另一个提供的视频）或其组合，从给定的图像生成视频。MOFA-Video 不同于先前只能在特定运动范围内工作或显示弱控制能力的方法，为了实现我们的目标，我们设计了几个领域感知的运动适配器（即 MOFA-Adapters）来控制视频生成流程中生成的运动。对于...