摘要

视频预测一直被认为是一个难题，因为视频不仅包含高维的空间信息，还包含复杂的时间信息。视频预测可以通过在最近的几帧中找到特征，并利用这些特征生成对后续帧的近似来实现。我们通过在视频中解耦空间和时间特征来解决这一问题。为此，我们引入了一种互抑制网络（MSnet），该网络以对抗的方式进行训练，从而生成不含运动信息的空间特征以及不含空间信息的运动特征。MSnet 利用编码器-解码器架构中的运动引导连接，将前一帧的空间特征转换到后续帧的时间点。我们展示了如何使用解耦表示法通过 MSnet 进行视频预测，并进行了实验以评估我们的方法在解耦特征方面的有效性。尽管 MSnet 的编码器更为简单，但其结果优于其他近期的视频预测方法。