Sep, 2018

通过高分辨率光流估计进行视频超分辨率学习

PDF
TL;DR本文提出了一个端到端可训练的视频超分辨率框架，使用 HR 光流可提供更精确的对应关系并提高性能。在 Vid4 和 DAVIS-10 数据集上进行的比较结果显示，我们的框架实现了最先进的表现。
video super-resolutionoptical flow reconstruction networkdeep learningcoarse-to-finestate-of-the-art performance
发现论文，激发创造
  • 使用高分辨率光流估计的深度视频超分辨率

    本文提出了一种用于视频超分辨率的端到端深度学习网络，其中通过光流重建和图像超分辨率的结合，采用粗到细的方式实现了高分辨率光流的重建和精细细节的恢复，以解决视频 SR 中针对低分辨率光流与高分辨率输出间存在的分辨率矛盾问题，并通过广泛实验证明了其在提高视频 SR 性能方面的有效性及其在 Vid4 和 DAVIS-10 数据集上的最新成果。

    Jan, 2020

  • 运动补偿视频超分辨率的端到端学习

    本文提出了一种端到端的视频超分辨率网络，它包括了在整个网络架构中估计光流，研究了光流在视频超分辨率中的使用，并发现常见的离线图像变形不利于视频超分辨率，因此提出了一种运动补偿操作。通过对整张图像进行处理而不是独立的图像块，可以大幅提高精度。结果表明，使用该网络架构可以受益于光流，获得了在流行测试集上的最佳结果。

    Jul, 2017

  • 基于帧递归的视频超分辨率重建

    本研究提出了一种端到端可训练的帧递归视频超分辨率框架，使用先前的高分辨率估计来超分辨率下一个帧，自然鼓励时态一致结果并降低计算成本。

    Jan, 2018

  • 框架和特征上下文视频超分辨率

    本文提出一个全新的基于上下文信息的可训练视频超分辨率网络，结合了局部网络和上下文网络，通过利用多个低分辨率帧中的信息和之前预测的高分辨率帧的特征来保持时域连续性，从而实现高质量视频超分辨率结果的实时生成，结果表明本文方法在准确性、效率和视觉质量等方面均优于现有方法。

    Sep, 2019

  • 可变形非局部网络用于视频超分辨率

    本文提出了一种新颖的变形非局部网络（DNLN），其是一种非基于光流的方法，旨在通过采用变形卷积并在特征级别提高其自适应对齐能力来恢复高质量的视频超分辨率帧。通过利用非局部结构捕捉参考帧和对齐的相邻帧之间的全局相关性并同时增强对齐帧中的所需细节，DNLN 能够实现 VSR 任务的最先进性能。

    Sep, 2019

  • 双流动作识别导向视频超分辨率

    针对行动识别任务中低空间分辨率视频影响识别准确性的问题，提出了基于光流的 SR 方法和 siamese 网络的 SR 方法，对包括 UCF101 和 HMDB51 的两个数据集进行实验，并证明了我们提议的 SoSR 和 ToSR 方法在提高识别准确性方面的有效性。

    Mar, 2019

  • 回头看和向前看：明确时间差建模的视频超分辨率

    本文提出一种基于时间差建模的视频超分辨率方法，通过不同的接受野分别处理两个像素子集以提取互补信息，并计算高频域中连续帧的差异来利用中间结果进一步增强 SR 结果

    Apr, 2022

  • 利用低分辨率光流和掩膜上采样的高效空时视频超分辨率

    本文提出了一种高效的时空超分辨率方法，结合视频超分辨率和视频帧插值模型，通过利用二次建模的低分辨率空间插值和基于双线性上采样的高分辨率合成方法，在 REDS STSR 验证集中优于当前最先进的模型。

    Apr, 2021

  • 利用物理知识驱动的卷积神经网络进行流体流动的超分辨率和去噪，不需要高分辨率标签

    利用卷积神经网络实现流场高分辨率重构，不需要高分辨率标签，能够提高空间分辨率并降低流场数据的噪声水平。

    Nov, 2020

  • SRFlow: 学习归一化流的超分辨空间

    该论文提出了一种基于正则化流的超分辨率方法 SRFlow，它可以通过训练学习输入低分辨率图像与输出高分辨率图像之间的条件分布，进而解决该问题多解的困难并提高了图像的处理能力。

    Jun, 2020