在竹条表面缺陷检测中，竹条表面缺陷形状各异，成像环境脏乱，现有基于卷积神经网络（CNN）的目标检测模型面对这样特定的数据时并不能很好地发挥神经网络的优势；而且竹条来源复杂且有其他条件限制，因此没办法采集所有类型的数据，导致竹条表面缺陷数据量少到CNN不能充分学习。针对这些问题，提出一种专门针对竹条表面缺陷的检测网络。该网络的基础框架为CenterNet，而且为提高CenterNet在较少的竹条表面缺陷数据中的检测性能，设计了一种基于从零开始训练的辅助检测模块：在网络开始训练时，冻结采用预训练模型的CenterNet部分，并针对竹条的缺陷特点从零开始训练辅助检测模块；待辅助检测模块损失趋于稳定时，通过一种注意力机制的连接方式将该模块与采用预训练的主干部分进行融合。将所提检测网络与CenterNet以及目前常用于工业检测的YOLO v3在相同训练测试集上进行训练和测试。实验结果表明，所提检测网络的平均精度均值（mAP）在竹条表面缺陷检测数据集上比YOLO v3和CenterNet的mAP分别提高了16.45和9.96个百分点。所提方法能够针对形状各异的竹条表面缺陷进行有效检测，且没有增加过多的时耗，在实际工业运用中具有很好的效果。

针对目前视频质量增强和超分辨率重建等任务中常采用的光流估计相关算法只能估计像素点间线性运动的问题，提出了一种新型多帧去压缩伪影网络结构。该网络由运动补偿模块和去压缩伪影模块组成。运动补偿模块采用自适应可分离卷积代替传统的光流估计算法，能够很好地处理光流法不能解决的像素点间的曲线运动问题。对于不同视频帧，运动补偿模块预测出符合该图像结构和像素局部位移的卷积核，通过局部卷积的方式实现对后一帧像素的运动偏移估计和像素补偿。将得到的运动补偿帧和原始后一帧联结起来作为去压缩伪影模块的输入，通过融合包含不同像素信息的两视频帧，得到对该帧去除压缩伪影后的结果。与目前最先进的多帧质量增强（MFQE）算法在相同的训练集和测试集上训练并测试，实验结果表明，峰值信噪比提升（Δ PSNR）较MFQE最大增加0.44 dB，平均增加0.32 dB，验证了所提出网络具有良好的去除视频压缩伪影的效果。