本文提出了一种利用端到端深度学习网络框架，有效地融合视频超分辨率和帧插值，以实现时空视频上采样的新方法，通过提出的加权方案，在不需要显式运动补偿的情况下有效地融合输入帧，相较于基线模型，在减少计算时间（加快了 7 倍）和参数数量（减少 30%）的同时，实现更好的定量和定性结果。

Apr, 2020

本文提出了一个一阶段时空视频超分辨率框架，该框架通过特征时间插值网络进行局部时间上下文的丢失 LR 视频帧，然后提出了一个可变形 ConvLSTM 来对齐和聚合全局时空信息，并最终采用深度重建网络预测 HR 慢动作视频帧。经实验证明，该方法不仅实现了更好的定量和定性性能，而且比最近的两阶段最先进方法 (DAIN + EDVR 和 DAIN + RBPN) 更快三倍以上。

Feb, 2020

本文提出了一种单阶段空时视频超分辨率框架，通过特征时间插值模块临时插入缺失的低分辨率帧特征来捕捉局部的时间上下文，从而直接从低分辨率和低帧率视频中重建出高分辨率慢动作视频序列，并在广泛使用的基准测试中表现出良好的质量和速度。

Apr, 2021

提出了一种基于空间 - 时间变换器的方法来解决空间 - 时间视频超分辨率问题，相比于基于卷积神经网络的方法，这种方法不需要明确使用单独的构建模块进行时间插值和空间超分辨率，而是只使用一个端到端的转换器架构，并且具有更快的推理速度和更少的参数。

Mar, 2022

本文提出了一种可行的空时视频超分辨率（STVSR）框架，以解决鲁棒的视频采集中模糊、模糊和低分辨率等挑战，提供优异的定量测量和视觉质量表现。

Jul, 2022

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

本研究报告了第二届 AIM 挑战赛的视频时间超分辨率（VTSR），旨在提高低帧率 15 fps 视频的帧率至 30 fps 或 60 fps，采用手持相机捕获的各种视频进行培训和评估，竞赛获胜者采用改进的二次视频插值方法，在 VTSR 任务上实现了最高水平。

Sep, 2020

利用低成本高分辨率辅助 G 缓冲作为额外输入，我们提出了一种高效有效的超分辨率方法，通过多分辨率级别上的特征对齐和融合，能够以实时性能在 4K 分辨率上以 4 倍甚至 8 倍分辨率进行时间连贯的重建，相较于现有方法具有显著提高的质量和性能提升。

Oct, 2023

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

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