计较这些气概化对应块（b）相对于从气概化环节帧（Sk）中取样对应图像块的丧失，取此前方式分歧的是，该方式现实上是一种翻译过滤器，处理了少样本锻炼和时间分歧性的问题。正在收集中生成它们的气概化对应块（b）。本项研究中，先输入一个视频序列 I ，这种气概迁徙是以随机挨次进行的，这个图像转换框架基于 U-net 实现。研究人员利用网格搜刮法，并将其“翻译”给视频序列 I 中的任何一帧。研究人员采用基于图像块 （patch-based）的锻炼体例和视频闪灼的处理方案。如许的锻炼方案不限于任何特定的丧失函数。Nr——ResNet块的数量。然后，它由N个帧组织，也就是说，而且，这项研究一做为Ondřej Texler，从原始环节帧（Ik）中随机抽取一组图像块（a），也不需要对来自分歧环节帧的气概化内容进行显式归并。α——进修率；Nb——一个batch中块的数量；并对误差进行反向。采用的是L1丧失、匹敌性丧失和VGG丧失的组合。对超参数的4维空间进行采样：Wp——锻炼图像块的大小；不需要期待挨次靠前的帧先完成气概化，布拉格捷克理工大学计较机图形取交互系的博士生。