计算量降84%
该轻量编码器-解码器网络通过特征聚合模块对齐时序上下文并融合多级特征，在保持竞争精度的同时大幅降低计算负担。
Fengzhen, Sun · Luxiang, Ren · 金炜东
Engineering Applications of Artificial Intelligence 2024
相比PredRNN-V2，FastNet在保持精度略有提升的同时，将计算量降低了84%，使得模型可以在更普通的硬件上运行。
通过使用深度可分离卷积和轻量设计，FastNet的模型尺寸更小，参数数量更少，有利于部署在资源受限的环境中。
采用感知损失作为代价函数，使预测帧与真实帧的相似性更高，提高了预测质量。