في الطبقة التقليدية للتشويش (convolutional)، تظل المرشحات المُتعلمة ثابتة بعد التدريب. بخلاف ذلك، نقدم إطارًا جديدًا يُسمى شبكة المرشحات الديناميكية (Dynamic Filter Network)، حيث يتم إنشاء المرشحات بشكل ديناميكي بناءً على الإدخال. نوضح أن هذه الهندسة قوية للغاية، مع زيادة في المرونة بفضل طبيعتها التكيفية، دون زيادة مفرطة في عدد معلمات النموذج. يمكن تعلم مجموعة واسعة من عمليات التصفية بهذه الطريقة، بما في ذلك التحويلات الفضائية المحلية، بالإضافة إلى عمليات أخرى مثل التشويش (de)التوضيح الانتقائي أو استخراج السمات التكيفي. علاوة على ذلك، يمكن الجمع بين عدة طبقات من هذا النوع، مثل في هندسة متكررة (recurrent). نبين فعالية شبكة المرشحات الديناميكية في مهام التنبؤ بالفيديو والصورة الاستريو، ونحقق أداءً رائدًا على مجموعة بيانات MNIST المتحركة باستخدام نموذج أصغر بكثير. من خلال تصوير المرشحات المُتعلمة، نوضح أن الشبكة قد اكتسبت معلومات عن الجريان بمجرد النظر إلى بيانات تدريب غير مشمولة بالتصنيف. هذا يشير إلى أنه يمكن استخدام الشبكة لتدريب شبكات مسبقة لمجموعة متنوعة من المهام المراقبة بطريقة غير مراقبة، مثل تقدير الجريان البصري وتقدير العمق.