Self-Supervised Motion Magnification by Backpropagating Through Optical Flow

本文采用以下六个标准对选题进行分类：

1. 放大类型：

   • 拉格朗日放大（Lagrangian Magnification）：这种方法侧重于跟踪视频中单个像素的运动。通过分析这些像素如何随时间改变位置，研究人员可以放大这些细微的变化，使其更加明显。Liu等人（2005）率先提出了这种方法，此后通过光流估计等技术对其进行了改进，以提高准确性。
   • 欧拉放大（Eulerian Magnification）：与拉格朗日方法的像素跟踪不同，欧拉放大检查固定位置像素值的变化。这种方法特别擅长突出高频运动，如振动或细微的颜色变化。Wu等人（2012）介绍了这种技术，随后的研究探索了其在各个领域的应用，包括医学成像和结构分析。

2. 运动估计：

   • 显式运动估计（Explicit Motion Estimation）：这涉及一个专门的步骤，其中通常使用光流的算法来计算像素的运动矢量。这些矢量描述了像素如何在帧间移动，为放大提供了关键信息。RAFT（Teed & Deng, 2020）等作品就是这种方法的例证，利用深度学习来实现精确的运动估计。
   • 隐式运动估计（Implicit Motion Estimation）：在这种类别中，运动不是明确计算的。相反，模型学会将运动信息直接纳入其架构或损失函数中。您上传的论文展示了这一点，它使用损失函数来指导模型生成具有放大运动的放大帧，而不需要单独的