Sep, 2019

可变形非局部网络用于视频超分辨率

PDF
TL;DR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。
video super-resolutiondeep learningdeformable non-local networkresidual in residual dense blockshierarchical features
发现论文，激发创造
  • TDAN：视频超分辨率的时间可变对齐网络

    本文提出了一种基于时间变形对齐网络的视频超分辨率模型，它可以在不需要光流计算的情况下，通过学习参考帧和支持帧的特征，动态预测采样卷积核的偏移来对参考帧和支持帧进行自适应对齐，从而获得高质量的超分辨率视频重建结果。

    Dec, 2018

  • 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

  • 通过高分辨率光流估计进行视频超分辨率学习

    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。

    Sep, 2018

  • 变形核卷积网络用于视频极高清晰重建

    该研究提出了一种新型基于深度学习的视频超分辨率算法 DKSAN，该算法利用了新设计的变形卷积对齐和可形变内核空间注意力模块，更好地利用了时空冗余来促进不同层之间的信息传播，并在实验中展示了比现有技术 EDVR 更好的超分辨率效果。

    Oct, 2020

  • DynaVSR: 动态自适应盲视频超分辨率

    本研究提出 DynaVSR 框架，采用元学习技术，在实际视频 SR 场景下实现了较快速的降采样模型估计和自适应学习，并与视频 SR 网络无缝结合，实现了比现有的盲目 SR 方法更快的推理时间和更高的性能提升。

    Nov, 2020

  • 3DSRnet：使用 3D 卷积神经网络进行视频超分辨率处理

    该论文提出了一种有效的三维卷积神经网络 3DSRnet，用于视频超分辨率，通过利用空时相干性来提高预测高分辨率帧的准确性，而且在不需要预处理的情况下优于最先进的方法，提出了一种新的处理场景变化的方法。

    Dec, 2018

  • 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

  • 视频超分辨率的时间建模再思考

    本文提出了一种新颖的循环残差网络模型用于视频超分辨率，该模型相比于其他几种建模方法具有更高的计算效率和更好的超分辨率效果，取得了当前最好的结果。

    Aug, 2020

  • 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

  • 基于深度学习的视频超分辨率技术综述

    该论文系统研究了基于深度学习的 33 种视频超分辨率方法，提出了一个分类法并将这些方法分属到六个子类中，并详细描述了所有方法的体系结构和实现细节。通过在一些基准数据集上对代表性 VSR 方法的性能进行总结和比较，讨论了 VSR 领域中需要进一步研究的一些挑战。这项工作预计对 VSR 技术的深度学习方法做出贡献，从而深化我们对该领域的理解，并成为该领域中最早的系统研究之一。

    Jul, 2020