运动自适应反馈单元的视频人脸超分辨率

AAAIFeb, 2020

运动自适应反馈单元的视频人脸超分辨率

Video Face Super-Resolution with Motion-Adaptive Feedback Cell

Jingwei Xin, Nannan Wang, Jie Li, Xinbo Gao, Zhifeng Li

TL;DR本文提出了一个名为运动自适应反馈单元（MAFC）的具有简单但高效的特点的模块，可以有效地捕获运动补偿并将其自适应地反馈给网络。通过实验证明，所提出的框架在复杂运动场景下可以获得更好的性能，并比目前最先进的方法表现更优秀。

Abstract

video super-resolution (VSR) methods have recently achieved a remarkable success due to the development of deep convolutional neural networks (CNN). Current state-of-the-art CNN methods usually treat the VSR prob

video super-resolution convolutional neural networks motion compensation temporal dependencies performance

发现论文，激发创造

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

时空视频超分辨率与神经算子

通过引入物理信息的神经网络，本文提出了解决空时视频超分辨率问题的方法，该方法能够准确处理大运动中的运动估计和运动补偿问题，并在固定大小和连续空时视频超分辨率任务中超过同类技术。

Apr, 2024

MuCAN：面向视频超分辨率的多重对应聚合网络

利用过去的多个帧重建高清视频的方法叫做视频超分辨率技术，但现有的方法无法有效利用自相似和相似模式间的关系，因此我们提出了一种新的多对多和非局部多对多聚合策略，建立了一个称为 MuCAN 的网络来解决这个问题，实现了最先进的结果。

Jul, 2020

细节呈现的深度视频超分辨率

本文提出了一种基于 CNN 框架的次像素运动补偿层方法（SPMC），通过合适的帧对齐和运动补偿提高了视频超分辨率重建的质量，且无需参数调节，最终实现了高质量的图像细节恢复。

Apr, 2017

双子网和多级通讯上采样的大运动视频超分辨率

本文提出了一种新型的深度学习神经网络算法，在视频超分辨重建中优化运动信息处理和利用，解决了普通算法在处理大运动时可能出现的不连贯结果或者伪影问题，同时改良了局部空间特征提取和显式运动估计技术，获得了比现有方法更优秀的效果。

Mar, 2021

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

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

深度时空视频上采样网络

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

带有循环结构细节网络的视频超分辨率

提出了一种基于循环的视频超分辨率方法，该方法有效地利用了前一帧的信息来超分辨率当前帧，包括两个流结构 - 细节块和隐状态适应模块，并在基准数据集上优于最先进的方法。

Aug, 2020