我正在处理一个图像到图像的回归任务，这需要我开发一个深度学习模型，该模型接收一系列 5 个图像并返回另一个图像。5 个图像的序列和输出图像在概念上和时间上相关。事实上，序列中的 5 个图像每一个都对应于模拟中的时间步长，而我试图预测的输出最终对应于该序列的第 6 个时间步长。

目前，我一直在训练一个简单的回归型 CNN 模型，该模型接收存储在列表中的 5 个图像序列，并输出与模拟中的下一个时间步相对应的图像。这确实适用于一个小而相当简单的数据集（13000 张图像），但在更多样化和更大的数据集（102000 张图像）上效果更差。

出于这个原因，我现在一直在研究一下，以便找到更好的方法来执行这项任务，我发现了 ConvLSTMs 的想法。但是，我已经看到这些应用于特征预测和描述该图像的句子的输出。我想知道的是ConvLSTMs是否也可以输出图像，但更重要的是它们是否可以应用于我的案例。如果不是，还有哪些其他类型的深度学习网络可以适合这项任务？

提前致谢！